Estresse no Trabalho e Criatividade Individual: Um Protocolo de Modelagem Estrutural de Equações Parciais de Mínimos Quadrados Parciais para Ambientes de Trabalho Habilitados por IA

Resumo

Esta pesquisa apresenta um protocolo de modelagem estrutural de equações de mínimos quadrados parciais baseada em tela (PLS-SEM) para testar mediação e moderação, realizar diagnósticos de métodos comuns, interpretar inclinações simples e avaliar a relevância preditiva em pesquisas de ambiente de trabalho incorporadas por IA.

Resumo

O uso crescente da inteligência artificial (IA) nas organizações está remodelando as demandas de trabalho, percepções de liderança e oportunidades de criatividade dos funcionários. Baseando-se no modelo Demandas–Recursos do Trabalho (JD–R) e na Teoria da Aprendizagem Social, este estudo examina se as percepções dos funcionários sobre liderança ética mediam a relação entre estresse no trabalho e criatividade individual, e se a incorporação da IA organizacional amplifica essa relação. Utilizando modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) com 5.000 reamostras bootstrap, os achados mostram que o estresse no trabalho influencia negativamente a percepção de liderança ética, enquanto a percepção de liderança ética afeta positivamente a criatividade. O estresse no trabalho não estava diretamente relacionado à criatividade; Em vez disso, a percepção ética da liderança serviu como um caminho indireto significativo. Além disso, a incorporação organizacional da IA fortaleceu a relação entre percepções de liderança ética e criatividade. Esses achados sugerem que a criatividade em ambientes de trabalho habilitados por IA é moldada menos pela própria tecnologia e mais por mecanismos psicológicos organizacionais. Organizações que buscam aumentar a criatividade durante a transformação digital devem, portanto, gerenciar o estresse no trabalho e promover ambientes de liderança ética, em vez de focar apenas na implementação da IA. Esse protocolo utiliza o modelo empírico como exemplo prático para demonstrar um fluxo de trabalho reproduzível de pesquisa para PLS-SEM.

Introdução

A inteligência artificial (IA) transformou a forma como os funcionários realizam seu trabalho, compreendem a natureza dos requisitos do cargo e identificam oportunidades de criatividade, à medida que as organizações começam a adotar IA para suporte à decisão, automação e ^{coordenação} 1,2,3,4. Capacidades habilitadas por IA podem ampliar o escopo das informações acessíveis e apoiar experimentos, mas, por si só, falham em incentivar as pessoas a se comportarem de forma^{criativa 5,6}. Em vez disso, o comportamento criativo dos funcionários depende de suas percepções sobre a legitimidade da experimentação, justiça no tratamento para erros e apoio aos seus^{líderes 7,8}. Este protocolo define criatividade como um processo baseado em percepção na psicologia organizacional, em vez de um produto baseado em tecnologia, permitindo que o processo desde o recrutamento até a inferência seja repetível e transparente⁹. O procedimento não filma ou observa participantes em um laboratório, mas o fenômeno de interesse ainda é o comportamento, já que os funcionários respondem ao estresse do trabalho, entendem informações sociais e desenvolvem respostas criativas para uma situação de trabalho influenciada por IA. O escopo comportamental é, portanto, abordado por meio de comportamentos mensuráveis no ambiente de trabalho e construtos interpretativos relacionados à criatividade, percepção de liderança e resposta contextual relacionada à IA, em vez de comportamento^{físico 6,10}.

Ambientes de trabalho incorporados à IA são definidos como ambientes de trabalho nos quais os funcionários percebem a IA como uma parte recorrente da coordenação do trabalho, suporte à decisão, avaliação e resolução de problemas, em vez de uma ferramenta opcional ocasional. Esse conceito é mais restrito do que a transformação digital ampla, diferente da adoção da IA como introdução, diferente da maturidade da IA como estágio de implementação e diferente da capacidade da IA como competência técnica. Como os funcionários podem não conhecer a extensão objetiva do uso da IA em todas as funções, o construto é tratado como incorporação organizacional da IA, o que é apropriado para um modelo baseado em percepção de liderança ética e criatividade^individual 1,4,11,12.

Este protocolo aborda três lacunas mutuamente reforçadas. Primeiro, sabe-se menos sobre o que constitui liderança ética em ambientes de trabalho incorporados à IA e como as percepções de liderança ética se relacionam com o estresse no trabalho no que diz respeito à criatividade. Essa relação é importante porque os efeitos do estresse no trabalho sobre a criatividade variam uma vez contextualizados e^{interpretados 13,14}. Segundo, embora pesquisas sobre criatividade em ambientes de trabalho embutidos por IA frequentemente tenham considerado a IA como uma ferramenta ou medida de adoção da IA, há menos evidências de como a incorporação da IA em toda a organização molda respostas comportamentais a sinais de líderes ou interpretações da incerteza relacionada à^{IA 4,11,12}. Terceiro, estudos que utilizam dados baseados em pesquisas em psicologia organizacional frequentemente condensam desde recrutamento e triagem até construir medição, preparação de dados e subsequentes análises de mediação e moderação da Modelagem Estrutural de Equações Parciais de Mínimos Quadrados (PLS-SEM) em descrições curtas, embora validade da medição, validade discriminante, colinearidade e relevância preditiva sejam todas importantes a serem^consideradas 15,16,17^,18. Os autores tornam esse fluxo de trabalho visível neste procedimento reduzindo 342 inícios de pesquisa para 310 casos utilizáveis, separando blocos de construto, testando a colinearidade total com VIF e um cutoff de 3,3, testando efeitos diretos, indiretos e de interação com 5.000 reamostras bootstrapadas, e finalmente incluindo o PLSpredict como tela de relevância^preditiva 15,16,18,19.

A contribuição principal, portanto, é metodológica. O modelo Estresse no Trabalho-Liderança Ética-Criatividade é mantido como exemplo resolvido, mas a principal contribuição é tornar visíveis decisões analíticas normalmente ocultas: triagem de elegibilidade, retenção de códigos de item, separação de construtos, validação de medição, colinearidade e diagnóstico de métodos comuns, bootstrapping, decomposição de efeitos, interpretação de inclinação simples e avaliação PLSpredict 15,18,19. Seguindo o modelo de Demandas de Emprego-Recursos^20,21, o estresse no trabalho é uma demanda que consome os recursos cognitivos e emocionais necessários para se engajar criativamente, afetando assim a criatividade⁹. Os funcionários concentram seu esforço discricionário em gerar soluções inovadoras e únicas por meio de flexibilidade cognitiva, experimentação e novos métodos de trabalho. Eles têm menos tempo para gerar ideias quando enfrentam longos prazos em um ambiente de trabalho turbulento e tendem a focar na prevenção de erros e na conclusão^{de tarefas 13,14}. Nem todo estresse é prejudicial à criatividade, e certos níveis de desafio podem promover a geração de ideias entre indivíduos que recebem autonomia na tarefa e recebem apoio social no ambiente^{de trabalho 13,22}. Em contraste, pressão sustentada pode levar a um relacionamento negativo.

Assim, os autores hipotetizam que o estresse no trabalho está negativamente associado à criatividade individual (H1). O estresse no trabalho também pode influenciar a forma como certos funcionários veem seu entorno social. Durante períodos de mudança e estresse, os funcionários podem desenvolver sensibilidade aumentada a sinais de justiça, apoio e resposta⁸. Uma resposta tardia da gestão ou decisões inconsistentes, sob esse ângulo, pode ser interpretada como má coordenação em um contexto e como negligência em outro. O ponto chave é que, quando as pessoas estão sob estresse, tendem a dar mais ênfase ao que os líderes lhes sinalizam e, assim, em situações sem justiça e apoio visíveis, tendem a formar interpretações^{negativas 8,10}. Em seguida, os autores hipotetizam que o estresse no trabalho está negativamente associado à percepção dos funcionários sobre liderança ética (H2). A percepção de liderança ética é como os funcionários veem seu líder como justo, honesto, aberto e com bons valores^morais 10,23,24. Do ponto de vista da teoria da aprendizagem social, a percepção ética de liderança indica se os funcionários usarão sua voz, assumirão riscos tentando coisas novas ou^{experimentarão 7}. Os funcionários estarão mais propensos a dar opiniões sobre novas formas de trabalhar e testar novas ideias quando perceberem seu líder como ético. Líderes justos e confiáveis criarão mais oportunidades para que os funcionários se envolvam em comportamentos criativos discricionários ^6,7,10.

Assim, os autores hipotetizam que as percepções dos funcionários sobre liderança ética estão positivamente associadas à criatividade individual (H3). O modelo também introduz um caminho indireto no qual a percepção ética de liderança media o efeito do estresse no trabalho sobre a criatividade individual. Influências relacionadas ao estresse sobre a criatividade parecem inconsistentes e indicam que o relacionamento não é simples ^14,22. Dois funcionários podem estar expostos ao mesmo nível de estresse, mas um pode continuar a perceber o líder como ético e o local de trabalho como seguro o suficiente para compartilhar ideias. O outro funcionário pode parar de compartilhar ideias quando percebe o líder como antiético ou se sente tratado^{injustamente 6,7}. Esse caminho indica a influência da interpretação social e sugere que focar apenas no efeito direto do estresse do trabalho sobre a produção criativa pode ser insuficiente.

Os autores também hipotetizam que as percepções dos funcionários sobre liderança ética mediam a relação entre o estresse no trabalho e a criatividade individual (H4). A incorporação organizacional de IA está associada a ambientes de trabalho nos quais a IA é usada para mediar, avaliar e apoiar o trabalho dos^{funcionários 1, 25, 26}. Ambientes organizacionais embutidos por IA ampliam o acesso dos funcionários à informação, reduzem o tempo necessário para realizar algumas tarefas e oferecem maior espaço para recombinar ideias. Ao mesmo tempo, podem levantar questões sobre quem ou o que será responsabilizado, que tipos de avaliações ocorrerão e quais formas de experimentação são^{aceitáveis 27}. Em situações como essa, os funcionários tendem a prestar mais atenção às pistas éticas de liderança ao avaliar se experimentação habilitada por IA, tolerância a erros por IA e geração de ideias assistida por IA são legítimas e^seguras 11,30,31. Assim, os autores preveem que a incorporação organizacional da IA aumentará a relevância das percepções de liderança ética para a criatividade individual.

Assim, os autores hipotetizam que a incorporação da IA organizacional modera a relação entre as percepções dos colaboradores sobre liderança ética e criatividade individual, de modo que a relação positiva é mais forte quando a incorporação organizacional da IA é alta (H5). Este protocolo é desenvolvido para pesquisadores comportamentais que estudam comportamentos autorrelatados no ambiente de trabalho e sua interpretação social quando a observação direta é impraticável ou eticamente injustificada. O manuscrito contribui de três maneiras. Primeiro, ele se afasta das compreensões tradicionais de criatividade em ambientes de trabalho habilitados por IA como manifestação de resultados tecnológicos e conhecimento técnico-científico, apresentando esse processo como fundamentado pela percepção como um processo de psicologia^{organizacional 6,9}. Segundo, estende esse argumento demonstrando que as percepções de liderança ética mediam a relação entre estresse no trabalho e criatividade individual, e que a relação entre percepções de liderança ética e criatividade é moderada pela incorporação organizacional da IA ^4,10,14. Terceiro, uma pesquisa baseada em tela e o procedimento PLS-SEM são introduzidos para avaliar os processos de mediação e^{moderação 15, 18, 19}. Sua vantagem é tornar visíveis decisões ocultas, incluindo triagem de emprego, separação de construtos, verificações de validade e colinearidade, bootstrapping, decomposição de efeitos, interpretação por moderação, análise PLSpredict e interpretação cautelosa de relações transversais.

Protocolo

O processo de pesquisa seguiu todos os protocolos éticos para pesquisas com participantes humanos. Todas as informações dos participantes foram coletadas anonimamente por meio de tecnologia de pesquisa online e procedimentos digitais de consentimento informado. Nenhuma informação identificando qualquer participante foi coletada, e nenhum vídeo de nenhum participante foi gravado. Todos os participantes receberam uma tela digital de consentimento informado antes de chegarem à pesquisa. A tela explicava o propósito acadêmico do estudo, que a participação era voluntária, que as respostas seriam mantidas confidenciais e que os dados seriam usados apenas para fins de pesquisa. Participantes que não reconheceram ativamente o consentimento informado foram removidos da pesquisa antes que qualquer item do estudo fosse apresentado. Informações sobre aprovação ética ou isenção devem ser reportadas na declaração de ética de acordo com os requisitos da instituição que enviou o submetente. O elemento visual deste protocolo tem como objetivo apresentar essas etapas como uma demonstração em vídeo baseada em tela de recrutamento, consentimento, triagem, processamento de dados desidentificados, criação de modelos SmartPLS, bootstrapping, decomposição de efeitos e avaliação PLSpredict, em vez de uma figura adicional de fluxo de trabalho. A sequência de tabelas imita a sequência de passos na demonstração em vídeo. A Tabela 1 identifica a amostra retida após recrutamento, consentimento, triagem e verificações de qualidade. A base para medir os blocos de construção é apresentada na Tabela 2. As tabelas 3–5 relatam qualidade da medição, validade discriminante e diagnósticos de colinearidade. A Tabela 6 apresenta os resultados do teste de hipótese. A Tabela 7 mostra a decomposição de efeitos diretos e indiretos. A Tabela 8 é o ponto de verificação PLSpredict. Portanto, as Tabelas 1–8 representam o rastro da saída desde a entrada da pesquisa até a inferência estatística para o fluxo de trabalho baseado em^{tela 15,18}. Todas as plataformas/ferramentas usadas neste estudo estão listadas na Tabela de Materiais.

Modelo de pesquisa

No exemplo resolvido, a percepção ética de liderança media os efeitos do estresse no trabalho na criatividade individual, e a incorporação organizacional da IA modera o efeito da percepção ética da liderança sobre a criatividade individual. A Figura 1 apresenta o modelo conceitual, no qual H4 se refere ao impacto da percepção de liderança ética como um caminho indireto, e H5 à moderação da percepção de liderança ética pela incorporação organizacional de IA. O objetivo do modelo não é representar um modelo causal, mas sim um fluxo de trabalho de mediação e moderação baseado em tela.

Figura 1: Modelo conceitual. O diagrama apresenta o estresse no trabalho (JS) como preditor, a percepção de liderança ética (EL) como mediadora, a criatividade individual (CI) como o resultado e a incorporação organizacional da IA (OA) como moderadora da relação EL–CI. Setas sólidas denotam os caminhos diretos hipotetizados, a via mediada é JS > EL > IC, e o termo de interação representa EL × OA > IC. Por favor, clique aqui para ver uma versão ampliada desta figura.

Dados de pesquisa

Um sistema de recrutamento de participantes baseado na internet e um sistema de pesquisa baseado na internet são usados para coletar respostas anônimas de pesquisas de funcionários em tempo integral da população-alvo do local de trabalho. Filtros devem ser definidos antes do lançamento, e um item de triagem baseado em pesquisa deve ser usado para confirmar a elegibilidade antes da exibição dos blocos de construção. Respostas de participantes não consentidores, respondentes inelegíveis e respostas que não passam pelas verificações de controle de qualidade são excluídas antes da análise. No exemplo trabalhado, os autores ficaram com 310 pesquisas válidas preenchidas de um total inicial de 342 inicios, após triagem de status de emprego e verificações de controle de qualidade. A Tabela 1 apresenta as informações demográficas da amostra final válida.

Tabela 1: Características descritivas da amostra (n = 310). A tabela resume os respondentes retidos por características demográficas e de emprego após consentimento, triagem de elegibilidade e exclusões de controle de qualidade; n denota tamanho da amostra. Por favor, clique aqui para baixar esta Tabela.

Medidas

Uma escala de Likert de sete pontos é usada para todos os itens (1 = discordar fortemente; 7 = concordar fortemente). A pesquisa inclui blocos de medição para estresse no trabalho, percepção ética de liderança, criatividade individual e incorporação organizacional da IA. Mantenha os códigos de item ao projetar e exportar a pesquisa para garantir que cada indicador medido possa ser mapeado para sua variável latente correspondente durante a especificação do modelo. O conjunto completo de itens e fontes de medição é fornecido na Tabela 2.

Tabela 2: Itens e fontes de medição. Esta tabela apresenta os itens do questionário, tarefas de construção e fontes de escala. Abreviações: JS = estresse no trabalho; EL = percepção ética de liderança; IC = criatividade individual; OA = incorporação organizacional de IA. Por favor, clique aqui para baixar esta Tabela.

Antes de importar dados para o software PLS-SEM, os pesquisadores devem exportar o conjunto de dados completo em .csv formato. Nomes, endereços de e-mail, endereços IP e outros identificadores diretos devem ser removidos da exportação para evitar a divulgação não intencional das informações dos participantes. O arquivo exportado deve ser inspecionado quanto a valores ausentes, falhas em respostas de triagem, linha reta, falhas em verificações de atenção e erros de nome de variáveis. Apenas as variáveis indicadoras limpas e as variáveis de controle exigidas pelo modelo devem ser mantidas. Os inicios iniciais da pesquisa, a amostra final válida, os intervalos de confiabilidade, o intervalo AVE, o intervalo VIF estrutural e a configuração de reamostragem bootstrap devem ser registrados para relatórios posteriores.

Fluxo de trabalho analítico PLS-SEM

Para analisar as hipóteses, os pesquisadores devem empregar o PLS-SEM. No SmartPLS 4.1, um novo projeto deve ser criado importando o arquivo .csv limpo. As construções latentes devem ser colocadas na tela do modelo, e os indicadores retidos devem ser atribuídos a JS, EL, IC e OA. Esses caminhos diretos podem ser desenhados na tela do modelo; o caminho indireto pode ser especificado como JS > EL > IC, e o termo de interação produto-indicador pode ser criado como OA × EL > IC também. Os pesquisadores devem executar o algoritmo PLS antes de avaliar os caminhos estruturais. No SmartPLS, acesse Calcular > Algoritmo PLS e observe as configurações de estimação, incluindo o esquema de ponderação do caminho, o número máximo de iterações e o critério de parada, se fornecida. Uma vez executado o algoritmo PLS, os estudiosos devem avaliar os valores alfa, confiabilidade composta, AVE, cargas externas, Fornell-Larcker, razão HTMT e^{valores VIF 17, 18 e 19} de Cronbach. Os resultados para avaliar confiabilidade, validade e colinearidade são relatados nas Tabelas 3–5. Recomenda-se que os autores realizem um teste completo de colinearidade para verificar possíveis viés do método comum. Os valores estruturais de VIF devem ser vistos como um indicador diagnóstico de possível viés de mesma fonte, e não como um indicador de que o viés de mesma fonte foi removido.

O protocolo distingue os VIFs do modelo externo dos VIFs estruturais/totalmente colineares. Se um VIF externo exceder 3,3, mas permanecer abaixo de 5,0, o valor deve ser reconhecido como uma possível preocupação de colinearidade em nível de indicador, em vez de ser tratado como um diagnóstico de viés de método comum. VIFs de colinearidade total são interpretados separadamente como uma triagem diagnóstica da mesma fonte, não como prova de que o viés comum do método foi^{eliminado 15, 18, 19}. Diagnósticos de qualidade e colinearidade da medição devem ser realizados antes de interpretar coeficientes de caminho, efeitos indiretos e termos de interação. Para calcular caminhos diretos, efeitos indiretos específicos e o efeito de moderação, os pesquisadores devem realizar o procedimento de bootstrapping com 5.000 reamostras. Com 5.000 subamostras, realize um teste bicaudal em α = 0,05, e deixe as opções de troca de sinal e intervalo de confiança como no projeto. A Tabela 6 apresenta o coeficiente de caminho, o efeito indireto específico e os resultados da interação. Após testar as hipóteses, as seções para os efeitos indiretos específicos e os efeitos totais na saída devem ser revisadas para avaliar a relação direta JS > IC em relação ao caminho indireto através da EL e para capturar a decomposição de efeitos na Tabela 7. Esse procedimento evita interpretar o caminho direto-criatividade não significativo isoladamente do caminho indireto baseado em percepção significativo. Recomenda-se que os pesquisadores executem o PLSpredict para os construtos endógenos e relatem estatísticas de previsão, RMSE e MAE do^Q2como uma avaliação limitada de relevância preditiva. Os resultados atuais para^Q2preveem, RMSE e MAE para os construtos endógenos EL e IC, juntamente com os do benchmark do modelo linear, se fornecidos, na Tabela 8. Esses resultados devem ser interpretados como evidências limitadas de relevância preditiva, e não como evidências completas de previsão¹⁸.

O protocolo é intencionalmente focado, e não estatisticamente ornamentado. Pesquisadores que posteriormente comparam países, ocupações ou níveis gerenciais podem adicionar testes de invariância de medição, análise multigrupo, segmentação ou mapeamento de importância-desempenho após o estabelecimento do fluxo de trabalho de mediação e moderação de base. Caminhos indiretos ou de interação estatisticamente significativos não devem ser interpretados como efeitos causais quando os dados são transversais. Elas devem ser apresentadas como associações consistentes com a teoria, a menos que haja evidências longitudinais, experimentais ou multi-fontes. Essa advertência é repetida nos Resultados e Discussão, de modo que os caminhos de mediação e moderação são apresentados como associações consistentes com a teoria, e não como efeitos^{causais 15,18}. Se os rótulos exatos dos menus variarem entre as versões SmartPLS, os pesquisadores devem usar o caminho equivalente do menu e registrar a versão do software, as configurações do algoritmo e as configurações de reamostragem na Tabela de Materiais ou em uma nota de reprodutibilidade.

Resultados

Avaliação do modelo de medição

O modelo de medição foi posteriormente utilizado para avaliar a confiabilidade e validade do construto. Confiabilidade, validade convergente, cargas de itens e diagnósticos de colinearidade são apresentados na Tabela 3. Os valores alfa de Cronbach variando de 0,877 a 0,932 excedem o corte de 0,70. As estimativas de confiabilidade composta foram aceitáveis, com CR (ρ_a) variando de 0,880 a 0,959 e CR (ρ_c) variand...

Discussão

O protocolo apresenta um método transferível baseado em pesquisa para entender como demandas psicológicas, percepções de liderança e condições contextuais conectadas à IA afetam os resultados dos funcionários em contextos de trabalho digitalmente ^{transformados 1,2,4}. Sua principal contribuição não é uma manipulação filmada, mas um fluxo de trabalho analítico rastreável para recrutamento online, ...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
ChatGPT (Modelo de Linguagem AI)	OpenAI	N/A	Usado apenas para edição de linguagem, verificação de gramática e refinamento estrutural durante a preparação do manuscrito. A ferramenta não foi usada para coleta de dados, análise estatística ou interpretação dos resultados empíricos. Os autores revisaram, editaram e aprovaram o manuscrito final e assumem total responsabilidade por seu conteúdo. URL: https://chatgpt.com/
Prolific (Plataforma de Recrutamento de Participantes Online)	Prolific Academic Ltd.	N/A	Plataforma online usada para recrutar participantes do questionário para o exemplo trabalhado. Os participantes foram selecionados usando critérios de elegibilidade predefinidos, incluindo emprego em tempo integral e relevância para a população alvo do local de trabalho. URL: https://www.prolific.com/
Qualtrics (Plataforma de Pesquisa Online)	Qualtrics, LLC	N/A	Plataforma de pesquisa baseada na web usada para design de questionário, consentimento informado digital, triagem, apresentação em blocos de construto, coleta de dados de respostas e exportação de conjunto de dados desidentificado. Os itens de medição foram administrados usando uma escala Likert de 7 pontos, variando de 1 = discordo fortemente a 7 = concordo fortemente. URL: https://www.qualtrics.com/
SmartPLS 4.1 (Software PLS-SEM)	SmartPLS GmbH	Versão 4.1	Usado para modelagem de equações estruturais por mínimos quadrados parciais (PLS-SEM), incluindo especificação de modelo, estimativa do algoritmo PLS, avaliação do modelo de medição, diagnósticos de colinearidade, bootstrapping com 5.000 ressalvas, teste específico de efeito indireto, estimativa de termo de interação, decomposição de efeito e avaliação PLSpredict. URL: https://smartpls.com/