编辑推荐：
为探讨 AI 决策 “黑箱” 问题对人机协作的影响，研究人员基于工作设计理论，以 278 名医护人员为样本，探究感知 AI 可解释性（PAIE）对趋近 / 回避工作重塑的影响。发现 PAIE 通过 AI 导向收益感知（AIBP）和威胁感知（AITP）双路径促进两类重塑，且伦理气候强化该效应，为 AI 应用与组织管理提供新视角。
在人工智能（AI）深度渗透职场的当下，算法 “黑箱” 引发的透明度担忧日益凸显。尤其在医疗等对决策准确性和责任性要求极高的领域，医护人员对 AI 决策逻辑的不理解，可能导致合作中的信任危机与行为偏差。如何通过提升 AI 可解释性来优化人机协作模式，平衡 AI 的自动化替代风险与增效潜力，成为亟待解决的理论与实践问题。
为破解这一难题，上海大学的研究团队开展了一项聚焦 “感知 AI 可解释性与员工工作重塑关系” 的研究，相关成果发表在《Acta Psychologica》。该研究基于工作设计理论，通过分析 278 名医护人员的多阶段调查数据，构建了感知 AI 可解释性（Perceived AI Explainability, PAIE）影响趋近工作重塑（Approach Job Crafting）与回避工作重塑（Avoidance Job Crafting）的双路径模型，并探讨了伦理气候（Ethical Climate）的调节作用。
研究方法
研究采用时间滞后法收集数据，分两阶段实施：第一阶段测量自变量 PAIE、调节变量伦理气候及人口学信息；第二阶段评估中介变量 AI 导向收益感知（AI-oriented Benefit Perception, AIBP）、AI 导向威胁感知（AI-oriented Threat Perception, AITP）及因变量工作重塑类型。通过验证性因子分析（CFA）检验量表效度，运用 PROCESS 宏程序进行中介效应与调节效应检验，确保模型的可靠性与科学性。
研究结果
直接效应验证
感知 AI 可解释性对趋近工作重塑（β=0.39, p<0.001）和回避工作重塑（β=0.58, p<0.001）均有显著正向影响。这表明，医护人员对 AI 决策逻辑的理解越充分，越倾向于主动调整工作方式，既积极利用 AI 优势（如结合 AI 见解优化临床解释），也通过规避潜在风险（如监督算法偏见）来重塑工作边界。
双路径中介机制
- 收益感知驱动趋近行为：PAIE 通过提升 AIBP（β=0.49, p<0.001），进而促进趋近工作重塑（间接效应 = 0.14, 95% CI [0.06, 0.25]）。当医护人员认为 AI 可解释时，更易将其视为协作伙伴，主动整合 AI 技术优化专业实践。
- 威胁感知抑制回避行为：PAIE 通过降低 AITP（β=-0.42, p<0.001），进而减少回避工作重塑的消极应对（间接效应 = 0.05, 95% CI [0.01, 0.10]）。透明的 AI 逻辑缓解了对职业替代的焦虑，促使医护人员更从容地调整工作策略。
伦理气候的调节作用
伦理气候强化了 PAIE 与两类感知的关联：在高伦理气候下，PAIE 对 AIBP 的正向影响更强（β=0.28, p<0.05），对 AITP 的负向影响亦更显著（β=-0.45, p<0.01）。这表明，当组织强调伦理原则时，员工更易将 AI 可解释性视为保障公平与责任的积极信号，而非潜在剥削工具。
研究结论与意义
本研究揭示了 AI 可解释性在人机协作中的 “双刃剑” 效应：它既通过提升收益感知激发主动合作，又通过降低威胁感知减少被动规避，且伦理气候的制度保障可放大这种积极效应。这一发现突破了传统 “技术决定论” 视角，从员工主观认知与组织伦理环境双维度，为理解 AI 时代的工作重塑机制提供了新框架。
对实践而言，研究提示 AI 开发者需将可解释性技术（如决策树可视化）与组织伦理建设结合，例如在医疗 AI 系统中嵌入可追溯的逻辑说明，并通过制度明确 AI 应用的伦理边界。对管理者而言，营造重视公平与责任的组织气候，有助于员工更积极地利用 AI 优化工作，而非陷入 “技术恐惧 — 被动适应” 的恶性循环。
该研究不仅拓展了工作设计理论在数字化职场的应用，也为跨行业推进 AI 伦理治理提供了实证依据，尤其对医疗、金融等高风险领域的人机协作模式创新具有重要指导意义。未来研究可进一步探讨不同行业、文化背景下的 AI 可解释性效应差异，以及长期人机协作对员工职业发展的动态影响。
