编辑推荐：
为探究 AI 与人类在职场反馈中如何有效互补，研究人员开展 “AI feedback and workplace social support in enhancing occupational self-efficacy” 主题研究。通过随机对照试验发现，AI 的积极反馈显著提升职业自我效能，消极反馈在高情感支持下也有此效，这为 AI 融入职场提供有效方式。
在当今科技飞速发展的时代，人工智能（AI）正逐步渗透到职场的各个角落，深刻改变着人们的工作方式。其中，AI 在职场反馈方面的应用备受瞩目，有望为员工发展带来新的契机。然而，目前仍存在诸多问题亟待解决。一方面，虽然 AI 有潜力成为强大的反馈提供者，但对于不同类型的 AI 反馈，如积极反馈和消极反馈，在何种条件下能切实有效地促进员工技能提升和绩效改进，我们知之甚少。另一方面，当 AI 系统越来越多地承担起提供职场反馈的任务时，如何将人类的支持与 AI 反馈进行最佳整合，从而更好地助力员工成长，也成为了一个关键问题。
为了深入探究这些问题，来自京都大学（Kyoto University）和滋贺大学（Shiga University）的研究人员开展了一项意义重大的研究。他们通过精心设计的随机对照试验，深入剖析了 AI 驱动的反馈和职场中的人类社会支持如何相互作用，进而影响员工的职业自我效能（occupational self-efficacy，即个体对自己成功完成与工作相关任务能力的信念）。该研究成果发表在《Scientific Reports》上，为我们理解 AI 与人类在职场中的协同作用提供了宝贵的见解。
在研究方法上，研究人员主要运用了以下几种关键技术。首先，通过日本众包服务 Lancers 招募了 125 名年龄在 25 - 59 岁、至少拥有大专学历的办公室工作人员参与实验，这确保了研究样本具有一定的代表性。其次，开发了两种基于 OpenAI 的 GPT-4 的 AI 聊天机器人，分别提供积极反馈和消极反馈，以此模拟不同的反馈情境。最后，运用混合效应模型分析，综合考量社会支持、聊天类型和时间点等因素对职业自我效能的影响，全面而深入地探究了各因素之间的复杂关系。
研究结果主要围绕以下几个方面展开。
- 初步分析：研究人员对数据进行了一系列严格的初步分析，以确保数据的可靠性和有效性。通过 Little’s MCAR 检验，发现缺失数据可视为完全随机；Harman 单因素检验显示共同方法偏差（CMV）在可接受范围内；对变量的收敛效度和区分效度评估表明，尽管信息支持和工具支持的区分效度存在一定问题，但整体变量效度良好。此外，对混合效应模型分析的假设进行检验时发现，虽然信息支持模型的残差正态性存在问题，但主要基于情感支持模型的研究假设不受影响。
- 操纵检验：通过让参与者对聊天内容进行评价，发现积极反馈组平均得分 5.43，消极反馈组平均得分 2.65，两组差异显著，这充分证实了实验设计有效地创造了不同的反馈体验。
- 职业自我效能的提升：混合效应模型分析结果显示，在所有社会支持模型中，时间点和聊天类型之间都存在显著的交互作用。具体而言，对于接受积极反馈的参与者，无论何种类型的社会支持，其职业自我效能均显著提高；而接受消极反馈的参与者，在低情感支持下，职业自我效能无显著变化，在高情感支持下，职业自我效能显著提升。此外，研究还发现，只有情感支持对职业自我效能有显著的正向主效应。
在研究结论与讨论部分，该研究成果具有多方面的重要意义。从理论层面来看，研究表明当反馈提供者从人类转变为 AI 时，以往基于人际反馈的理论框架在 AI 领域可能依然适用，这为反馈理论的拓展提供了新的视角。例如，设计合理的 AI 聊天机器人的反馈可作为言语说服和对掌握经验的认可，提升员工职业自我效能。从实践角度出发，研究结果为职场管理提供了切实可行的指导。在日本的职场环境下，建议主管和同事主要负责提供情感支持，AI 聊天机器人则基于工作数据进行客观、定量的评估，两者相互配合，有望优化员工的职业自我效能。然而，研究也存在一定的局限性。实验设计基于单次任务反馈，与实际职场的持续反馈过程差异较大；AI 聊天机器人并非参与者实际组织的一部分，可能影响反馈的接受程度；研究样本局限于日本，结果的普适性有待进一步验证；研究未充分探索 AI 与人类角色的其他可能组合。尽管如此，该研究为后续研究指明了方向，随着 AI 技术的不断发展，未来研究应采用纵向设计，涵盖更多不同文化、行业和职业的样本，深入探索 AI 与人类的协作方式，以更好地理解 AI 反馈系统在复杂职场环境中的运作机制，并实现其与人类支持的最优整合。
