Stres w pracy i indywidualna kreatywność: Protokół oparty na modelach równań strukturalnych częściowo najmniejszych kwadratów z wykorzystaniem ekranu dla miejsc pracy wspomaganych sztuczną inteligencją

Podsumowanie

To badanie przedstawia protokół oparty na ekranie z ankiety do częściowo zmniejszonych kwadratów modelowania równań strukturalnych (PLS-SEM) do testowania mediacji i moderacji, przeprowadzania wspólnej diagnostyki metod, interpretacji prostych nachyleń oraz oceny istotności predykcyjnej w badaniach dotyczących pracy wbudowanej w sztuczną inteligencję.

Streszczenie

Rosnące wykorzystanie sztucznej inteligencji (AI) w organizacjach zmienia wymagania związane z pracą pracowników, postrzeganie przywództwa i możliwości kreatywności. Korzystając z modelu Wymagań Pracy – Zasobów (JD-R) oraz Teorii Uczenia Społecznego, niniejsze badanie sprawdza, czy postrzeganie przez pracowników etycznego przywództwa pośredniczy w związku między stresem związanym z pracą a indywidualną kreatywnością oraz czy osadzona w organizacji sztuczne inteligencja wzmacnia ten związek. Korzystając z częściowej metody najmniejszych kwadratów strukturalnego modelu równań (PLS-SEM) z 5000 bootstrapowymi ponownymi próbkami, wyniki pokazują, że stres związany z pracą negatywnie wpływa na postrzeganie etycznego przywództwa, podczas gdy postrzeganie etycznego przywództwa pozytywnie wpływa na kreatywność. Stres związany z pracą nie był bezpośrednio związany z kreatywnością; zamiast tego, postrzeganie etycznego przywództwa służyło jako istotna pośrednia ścieżka. Ponadto, osadzona w organizacji sztuczne inteligencja wzmacniała związek między postrzeganiem etycznego przywództwa a kreatywnością. Te wyniki sugerują, że kreatywność w miejscach pracy wspierających sztuczną inteligencję jest kształtowana mniej przez samą technologię, a więcej przez organizacyjne mechanizmy psychologiczne. Organizacje dążące do zwiększenia kreatywności podczas transformacji cyfrowej powinny zatem zarządzać stresem związanym z pracą i dbać o środowiska sprzyjające etycznemu przywództwu, zamiast koncentrować się wyłącznie na wdrażaniu sztucznej inteligencji. Ten protokół wykorzystuje empiryczny model jako przykładowy przykład demonstrujący reprodykowalny przepływ pracy z ankiety do PLS-SEM.

Wprowadzenie

Sztuczna inteligencja (AI) zmieniła sposób, w jaki pracownicy wykonują swoją pracę, rozumieją charakter swoich wymagań zawodowych i identyfikują możliwości kreatywności, ponieważ organizacje zaczynają stosować AI do wsparcia decyzji, automatyzacji i koordynacji^1,2,3,4. Zdolności wspierane przez AI mogą zwiększyć zakres dostępnych informacji i wspierać eksperymentowanie, ale same w sobie nie zachęcają ludzi do kreatywnego zachowania^5,6. Zamiast tego kreatywne zachowanie pracowników zależy od ich postrzegania zasadności eksperymentowania, uczciwości traktowania za popełnianie błędów i wsparcia ze strony przełożonych^7,8. Niniejszy protokół definiuje kreatywność jako proces oparty na percepcji w psychologii organizacyjnej, a nie na produkcie opartym na technologii, umożliwiając jednocześnie powtarzalność i przejrzystość procesu od rekrutacji do wnioskowania⁹. Procedura nie filmuje ani obserwuje uczestników w laboratorium, ale przedmiotem zainteresowania jest zachowanie, ponieważ pracownicy reagują na stres związany z pracą, dają sens informacjom społecznym i rozwijają kreatywne reakcje na sytuację roboczą opartą na AI^6,10. Zakres zachowań jest zatem ujmowany poprzez mierzalne zachowania w miejscu pracy i konstrukty interpretacyjne związane z kreatywnością, postrzeganiem przywództwa i reakcją kontekstową związaną z AI, a nie zachowaniem fizycznym^6,10.

Przestrzenie robocze osadzone w AI są definiowane jako środowiska robocze, w których pracownicy postrzegają AI jako powtarzającą się część koordynacji pracy, wsparcia decyzji, ewaluacji i rozwiązywania problemów, a nie jako okazjonalne opcjonalne narzędzie. Konstrukt ten jest węższy niż szeroka transformacja cyfrowa, różni się od wdrożenia AI jako wprowadzenia, różni się od dojrzałości AI jako etapu implementacji i różni się od zdolności AI jako kompetencji technicznej. Ponieważ pracownicy mogą nie znać obiektywnego stopnia wykorzystania AI we wszystkich funkcjach, konstrukt jest traktowany jako postrzegana organizacyjna osadzona w AI, co jest odpowiednie dla modelu opartego na percepcji etycznego postrzegania przywództwa i indywidualnej kreatywności^1,4,11,12.

Niniejszy protokół dotyczy trzech wzajemnie wzmacniających się luk. Po pierwsze, mniej wiadomo o tym, co stanowi etyczne przywództwo w osadzonych w AI środowiskach roboczych i jak postrzegane etyczne przywództwo wiąże się ze stresem związanym z pracą w odniesieniu do kreatywności. Ta relacja jest ważna, ponieważ wpływ stresu związanego z pracą na kreatywność zmienia się po skontekstualizowniu i interpretacji^13,14. Po drugie, choć badania nad kreatywnością w osadzonych w AI środowiskach roboczych często traktują AI jako narzędzie lub miarę wdrożenia AI, brakuje dowodów na to, jak organizacyjna osadzona w AI kształtuje odpowiedzi behawioralne na sygnały od przywódców lub interpretacje niepewności związanej z AI^4,11,12. Po trzecie, badania wykorzystujące dane z ankiet w psychologii organizacyjnej często skracają wszystko, od rekrutacji i selekcji do mierzenia konstruktu, przygotowania danych i następującej analizy mediacji i moderacji Partial Least Squares Structural Equation Modeling (PLS-SEM) do krótkich opisów, mimo że ważne jest uwzględnienie ważności pomiaru, ważności dyskryminacyjnej, kolinearności i istotności predykcyjnej^15,16,17,18. Autorzy czynią ten przepływ widoczną w tej procedurze, redukując 342 starty ankiet do 310 przydatnych przypadków, rozdzielając bloki konstrukcyjne, testując pełną kolinearność za pomocą VIF i progu 3,3, testując efekty bezpośrednie, pośrednie i interakcyjne z 5000 bootstrapowanymi resamplemi, i w końcu uwzględniając PLSpredict jako ekran istotności predykcyjnej^15,16,18,19.

Głównym wkładem jest zatem metodologiczny. Model Stres związany z pracą - Etyczne przywództwo - Kreatywność jest zachowany jako przykładowe wykonanie, ale głównym wkładem jest czynienie widoczną normalnie ukrytych decyzji analitycznych: selekcji kwalifikującej, zachowania kodów pozycji, separacji konstrukcji, walidacji pomiaru, diagnostyki kolinearności i wspólnej metody, bootstrapowania, dekompozycji efektów, interpretacji prostych stoków i oceny PLSpredict^15,18,19. Zgodnie z modelem Wymagań i Zasobów Pracy^20,21, stres związany z pracą jest zapotrzebowaniem, które zużywa zasoby poznaw

Protokół

Proces badawczy przebiegał zgodnie ze wszystkimi protokołami etycznymi dotyczącymi badań z udziałem ludzi. Wszystkie informacje o uczestnikach zostały zebrane anonimowo za pomocą technologii ankiet online oraz cyfrowych procedur świadomej zgody. Nie gromadzono żadnych danych identyfikujących uczestników ani nie nagrywano ich wideo. Przed przejściem do ankiety wszyscy uczestnicy zobaczyli ekran cyfrowej świadomej zgody. Na ekranie wyjaśniono akademicki cel badania, dobrowolność udziału, poufność odpowiedzi oraz fakt, że dane zostaną wykorzystane wyłącznie do celów badawczych. Uczestnicy, którzy nie potwierdzili aktywnie świadomej zgody, zostali usunięci z ankiety przed zaprezentowaniem jakiegokolwiek elementu badania. Informacje o zatwierdzeniu etycznym lub zwolnieniu z tego wymogu powinny zostać podane w oświadczeniu etycznym zgodnie z wymaganiami instytucji przedkładającej pracę. Element wizualny niniejszego protokołu ma na celu przedstawienie tych kroków w formie wideo-demonstracji ekranowej obejmującej rekrutację, zgodę, przesiewanie, przetwarzanie zanonimizowanych danych, tworzenie modelu SmartPLS, bootstrapping, dekompozycję efektów oraz ewaluację PLSpredict, a nie jako dodatkowy schemat przepływu pracy. Kolejność tabel odzwierciedla kolejność kroków w demonstracji wideo. Tabela 1 określa próbę zachowaną po rekrutacji, uzyskaniu zgody, przesiewaniu i kontroli jakości. Podstawa pomiaru bloków konstruktów została przedstawiona w Tabeli 2. Tabele 3–5 zawierają raporty dotyczące jakości pomiaru, trafności dyskryminacyjnej i diagnostyki kolinearności. Tabela 6 przedstawia wyniki testowania hipotez. Tabela 7 prezentuje dekompozycję efektów bezpośrednich i pośrednich. Tabela 8 stanowi punkt kontrolny PLSpredict. W związku z tym Tabele 1–8 reprezentują ścieżkę wyników od momentu wejścia do ankiety aż po wnioskowanie statystyczne dla ekranowego przepływu pracy^15,18. Wszystkie platformy i narzędzia wykorzystane w tym badaniu zostały wymienione w Tabeli Materiałów.

Model badawczy

W opracowanym przykładzie postrzeganie etycznego przywództwa pośredniczy w wpływie stresu zawodowego na indywidualną kreatywność, a stopień osadzenia AI w organizacji moderuje wpływ postrzegania etycznego przywództwa na indywidualną kreatywność. Rycina 1 przedstawia model koncepcyjny, w którym H4 odnosi się do wpływu postrzegania etycznego przywództwa jako ścieżki pośredniej, a H5 do moderacji postrzegania etycznego przywództwa przez stopień osadzenia AI w organizacji. Celem modelu nie jest przedstawienie modelu przyczynowo-skutkowego, lecz zobrazowanie przepływu pracy mediacji i moderacji w oparciu o ekran.

Rysunek 1: Model koncepcyjny. Schemat przedstawia stres zawodowy (JS) jako predyktor, postrzeganie przywództwa etycznego (EL) jako mediator, indywidualną kreatywność (IC) jako wynik oraz organizacyjne osadzenie AI (OA) jako moderator relacji EL–IC. Pełne strzałki oznaczają hipotetyczne ścieżki bezpośrednie, ścieżka mediacji to JS > EL > IC, a człon interakcji reprezentuje EL × OA > IC. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dane badawcze

Do zbierania anonimowych odpowiedzi z ankiet od pracowników pełnoetatowych w docelowej populacji miejsca pracy wykorzystuje się internetowy system rekrutacji uczestników oraz internetowy system ankietowy. Przed uruchomieniem należy ustawić filtry, a do potwierdzenia kwalifikowalności przed wyświetleniem bloków konstrukcyjnych należy użyć elementu przesiewowego w ankiecie. Przed analizą wyklucza się odpowiedzi uczestników, którzy nie wyrazili zgody, respondentów niekwalifikujących się oraz odpowiedzi, które nie przeszły kontroli jakości. W analizowanym przykładzie, po weryfikacji statusu zatrudnienia i kontroli jakości, autorzy otrzymali 310 poprawnie wypełnionych ankiet z początkowych 342 rozpoczętych. Tabela 1 przedstawia informacje demograficzne dla końcowej poprawnej próby.

Tabela 1: Charakterystyka opisowa próby (n = 310). Tabela podsumowuje respondentów zakwalifikowanych do badania według cech demograficznych i zatrudnienia po uzyskaniu zgody, weryfikacji kryteriów kwalifikowalności oraz wykluczeniach z powodu kontroli jakości; n oznacza wielkość próby. Aby pobrać tę tabelę, kliknij tutaj.

Pomiary

Do wszystkich pozycji zastosowano siedmiostopniową skalę Likerta (1 = zdecydowanie się nie zgadzam; 7 = zdecydowanie się zgadzam). Ankieta obejmuje bloki pomiarowe stresu zawodowego, postrzegania etycznego przywództwa, kreatywności indywidualnej oraz stopnia implementacji AI w organizacji. Podczas projektowania i eksportu ankiety należy zachować kody pozycji, aby upewnić się, że każdy mierzony wskaźnik może zostać przypisany do odpowiadającej mu zmiennej latentnej podczas specyfikacji modelu. Pełny zestaw pozycji pomiarowych i źródeł znajduje się w Tabeli 2.

Tabela 2: Pozycje pomiarowe i źródła. Tabela ta zawiera pytania z kwestionariusza, przypisania do konstruktów oraz źródła skal. Skróty: JS = stres zawodowy; EL = postrzeganie etycznego przywództwa; IC = kreatywność indywidualna; OA = stopień wdrożenia AI w organizacji. Kliknij tutaj, aby pobrać tę tabelę.

Przed importem danych do oprogramowania PLS-SEM badacze powinni wyeksportować kompletny zestaw danych w formacie .csv. Z eksportu należy usunąć nazwiska, adresy e-mail, adresy IP oraz inne bezpośrednie identyfikatory, aby zapobiec niezamierzonemu ujawnieniu informacji o uczestnikach. Wyeksportowany plik powinien zostać sprawdzony pod kątem brakujących wartości, błędnych odpowiedzi w badaniu przesiewowym, tzw. prostowania odpowiedzi (straight-lining), niezaliczonych testów uwagi oraz błędów w nazwach zmiennych. Należy zachować jedynie oczyszczone zmienne wskaźnikowe i zmienne kontrolne wymagane przez model. Początkową liczbę rozpoczętych ankiet, ostateczną ważną próbę, zakresy niezawodności, zakres AVE, zakres strukturalnego VIF oraz ustawienia bootstrapowania (resampling) należy odnotować do późniejszego raportowania.

Przebieg analizy PLS-SEM

W celu analizy hipotez badacze powinni zastosować modelowanie równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM). W programie SmartPLS 4.1 należy utworzyć nowy projekt poprzez import oczyszczonego pliku .csv. Konstrukty latentne powinny zostać umieszczone na obszarze roboczym modelu, a zachowane wskaźniki należy przypisać do JS, EL, IC oraz OA. Bezpośrednie ścieżki można wyrysować na obszarze roboczym modelu; ścieżkę pośrednią można zdefiniować jako JS > EL > IC, a człon interakcji wskaźnika produktu można utworzyć jako OA × EL > IC. Badacze powinni uruchomić algorytm PLS przed oceną ścieżek strukturalnych. W programie SmartPLS należy przejść do Calculate > PLS Algorithm i odnotować ustawienia estymacji, w tym schemat ważenia ścieżek, maksymalną liczbę iteracji oraz kryterium stopu, jeśli zostało podane. Po wykonaniu algorytmu PLS naukowcy powinni ocenić alfę Cronbacha, niezawodność złożoną (composite reliability), AVE, ładunki zewnętrzne (outer loadings), kryterium Fornella-Larckera, współczynnik HTMT oraz wartości VIF^17,18,19. Wyniki oceny niezawodności, trafności i kolinearności przedstawiono w tabelach 3–5. Autorom zaleca się przeprowadzenie pełnego testu kolinearności w celu sprawdzenia potencjalnego błędu wspólnej metody (common-method bias). Wartości strukturalne VIF należy traktować jako wskaźnik diagnostyczny potencjalnego błędu wspólnego źródła, a nie jako dowód na usunięcie tego błędu.

Protokół rozróżnia wartości VIF modelu zewnętrznego od VIF kolinearności strukturalnej/pełnej. Jeśli wartość VIF zewnętrzna przekracza 3,3, lecz pozostaje poniżej 5,0, wartość ta powinna być uznana za potencjalny problem z kolinearnością na poziomie wskaźników, a nie być traktowana jako diagnostyka błędu wspólnej metody. VIF kolinearności pełnej interpretuje się oddzielnie jako badanie diagnostyczne pod kątem tego samego źródła danych, a nie jako dowód wyeliminowania błędu wspólnej metody^15,18,19. Diagnostyka jakości pomiaru i kolinearności powinna zostać przeprowadzona przed interpretacją współczynników ścieżek, efektów pośrednich i członów interakcji. Aby obliczyć ścieżki bezpośrednie, specyficzne efekty pośrednie oraz efekt moderacji, badacze muszą przeprowadzić procedurę bootstrappingu z 5 000 próbami wielokrotnymi. Przy 5 000 podpróbkach należy przeprowadzić dwustronny test przy α = 0,05, pozostawiając opcje zmiany znaku oraz przedziału ufności zgodnie z ustawieniami projektu. Tabela 6 przedstawia współczynnik ścieżki, specyficzny efekt pośredni oraz wyniki interakcji. Po przetestowaniu hipotez należy przejrzeć sekcje dotyczące specyficznych efektów pośrednich i efektów całkowitych w wynikach, aby ocenić bezpośrednią relację JS > IC w stosunku do ścieżki pośredniej przez EL oraz aby przedstawić dekompozycję efektu w Tabeli 7. Procedura ta pozwala uniknąć interpretowania nieistotnej statystycznie bezpośredniej ścieżki stres–kreatywność w izolacji od istotnej ścieżki pośredniej opartej na percepcji. Zaleca się, aby badacze przeprowadzili procedurę PLSpredict dla konstruktów endogenicznych i zaraportowali statystyki Q²predict, RMSE i MAE jako ograniczoną ocenę istotności predykcyjnej. Wyniki dla Q²predict, RMSE i MAE dla konstruktów endogenicznych EL i IC, wraz z wynikami dla benchmarku modelu liniowego (jeśli został dostarczony), należy przedstawić w Tabeli 8. Wyniki te należy interpretować jako dowód ograniczonej istotności predykcyjnej, a nie jako pełny dowód prognozowania¹⁸.

Protokół ten jest celowo skoncentrowany merytorycznie, a nie rozbudowany statystycznie. Badacze, którzy w późniejszym etapie będą porównywać kraje, zawody lub poziomy zarządzania, mogą wprowadzić testy niezmienników pomiarowych, analizę wielogrupową, segmentację lub mapowanie ważności i wyników (importance-performance mapping) po ustanowieniu podstawowego schematu mediacji i moderacji. Statystycznie istotnych ścieżek pośrednich lub interakcyjnych nie należy interpretować jako efektów przyczynowych w przypadku danych przekrojowych. Należy je przedstawiać jako korelacje zgodne z teorią, chyba że dostępne są dowody podłużne, eksperymentalne lub wieloźródłowe. Przestroga ta jest powtórzona w sekcjach Wyniki i Dyskusja, aby ścieżki mediacji i moderacji były prezentowane jako powiązania zgodne z teorią, a nie jako efekty przyczynowe^15,18. Jeśli dokładne nazwy w menu różnią się między wersjami programu SmartPLS, badacze powinni skorzystać z równoważnej ścieżki menu i odnotować wersję oprogramowania, ustawienia algorytmu oraz parametry ponownego próbkowania (resampling) w Tabeli Materiałów lub w notatce dotyczącej powtarzalności.

Wyniki

Ocena modelu pomiarowego

Następnie wykorzystano model pomiarowy do oceny niezawodności i trafności konstruktu. Niezawodność, trafność zbieżna, obciążenia pozycji oraz diagnostyka współliniowości zostały przedstawione w Tabeli 3. Wartości alfa Cronbacha w przedziale od 0,877 do 0,932 przekraczają wartość graniczną 0,70. Szacunki niezawodności złożonej były akceptowalne, przy czym CR (ρ_a) mieściło się w zakresie od 0,880 do 0,959, a CR (ρ_c) od 0,911 do 0,945. Wartość AVE była ...

Dyskusja

Protokół przedstawia przenośną metodę opartą na ankiecie, która pozwala zrozumieć, jak wymagania psychologiczne, postrzeganie przywództwa i warunki kontekstowe związane z AI wpływają na wyniki pracowników w kontekście cyfrowo przekształconej pracy^1,2,4. Jego głównym wkładem nie jest nakręcona manipulacja, ale wykonywalny przepływ analityczny dotyczący rekrutacja online, zgoda i przesiewanie, pomiar konstrukcji interesujących, pr...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
ChatGPT (AI Language Model)	OpenAI	N/A	Używany wyłącznie do edycji językowej, sprawdzania gramatyki i udoskonalania struktury podczas przygotowywania rękopisu. Narzędzie nie zostało użyte do zbierania danych, analizy statystycznej ani interpretacji wyników empirycznych. Autorzy przejrzeli, edytowali i zatwierdzili ostateczny rękopis, przyjmując pełną odpowiedzialność za jego treść. URL: https://chatgpt.com/
Prolific (Online Participant Recruitment Platform)	Prolific Academic Ltd.	N/A	Internetowa platforma używana do rekrutacji uczestników ankiety dla przykładu pracy. Uczestnicy byli przesiewani według wcześniej określonych kryteriów kwalifikacji, w tym pełnoetatowego zatrudnienia i odnoszenia się do docelowej populacji zatrudnionych. URL: https://www.prolific.com/
Qualtrics (Online Survey Platform)	Qualtrics, LLC	N/A	Internetowa platforma ankietowa używana do projektowania kwestionariuszy, cyfrowej zgody poinformowanej, przesiewania, prezentacji bloków konstruktów, zbierania danych odpowiedzi i eksportu zestawu danych bez identyfikatorów. Elementy pomiarowe były administrowane za pomocą 7-punktowej skali Likerta od 1 = zdecydowanie się nie zgadzam do 7 = zdecydowanie się zgadzam. URL: https://www.qualtrics.com/
SmartPLS 4.1 (PLS-SEM Software)	SmartPLS GmbH	Wersja 4.1	Używany do modelowania równań strukturalnych najmniejszych kwadratów (PLS-SEM), w tym specyfikacji modelu, estymacji algorytmu PLS, oceny modelu pomiarowego, diagnostyki kolinierności, bootstrappingu z 5000 ponownymi próbami, testowania efektów pośrednich, estymacji terminów interakcyjnych, dekompozycji efektu i oceny PLSpredict. URL: https://smartpls.com/