整合人力资本管理与负责任人工智能的商学院可持续组织绩效驱动机制——基于PLS-SEM的实证研究

《Sustainable Futures》：An integrated human capital and responsible AI framework for sustainable organizational performance using PLS-SEM analysis

　　

摘要译文：高等教育的快速数字化转型增强了机构平衡以人为本的管理实践与负责任采用新兴技术的需求。本研究考察人力资本管理（Human Capital Management, HCM）因素与人工智能（Artificial Intelligence, AI）相关组织能力如何共同影响商学院可持续组织绩效（Sustainable Organizational Performance, SOP）。该研究以人力资本理论（Human Capital Theory, HCT）以及伦理人工智能与负责任管理理论（Ethical AI and Responsible Management Theory）为基础，构建了一个整合性概念模型，该模型由领导实践（Leadership Practices, LP）、知识可及性（Knowledge Accessibility, KA）、学习能力（Learning Capability, LC）、伦理人工智能文化（Ethical AI Culture, EAIC）、人工智能准备度（AI Readiness, AIR）和社会责任型人力资源管理（Socially Responsible Human Resource Management, SRHRM）构成，并将其作为SOP的预测变量。研究人员通过结构化问卷收集了印度商学院教职员工的数据，并使用SmartPLS 3.0检验所提出的模型。测量模型表现出较强的信度和效度，结构分析支持所有假设关系。研究发现LP是最具影响力的预测变量，其后依次为LC、AIR、KA、SRHRM和EAIC。这表明学术机构的可持续绩效既需要稳健的人力能力，也需要受伦理治理的技术准备度。该研究通过整合人力资本与伦理AI的视角作出了理论贡献，并为旨在通过平衡的人—技术策略提升绩效的机构提供了实践指导。文中还提出了改进机构实践的建议和未来研究方向。

研究背景与问题：在技术变革、劳动力期望变化和可持续组织实践全球转向的背景下，商学院需要培养未来胜任的毕业生、践行伦理数字创新并展示负责任的机构绩效。人力资本管理（Human Capital Management, HCM）与伦理人工智能文化（Ethical AI Culture, EAIC）被视为可共同影响学术机构效能、创新和社会责任的互补能力。人力资本理论（Human Capital Theory, HCT）强调员工技能与能力是发展与绩效的最重要资产；在商学院，教师、行政人员和学术领导者创造的价值直接影响教学质量、科研产出、学术创新和利益相关者满意度。领导实践（Leadership Practices, LP）、知识可及性（Knowledge Accessibility, KA）和学习能力（Learning Capability, LC）等HCM维度对形成高绩效队伍具有重要性，印度商学院也需重视人力资本开发以保持相关性、竞争力和长期可持续性。与此同时，人工智能（Artificial Intelligence, AI）进入招生、学习评估、课程开发和管理决策等过程，虽能提高效率并改善学习体验，但也带来伦理挑战；负责任AI与伦理AI框架强调以人为本价值、治理机制和伦理管理。商学院作为未来管理者和领导者的培养地，应将EAIC嵌入机构，以确保负责任数字化转型、社会信任和负责任领导。EAIC由共享规范、价值和实践构成，指导AI设计、实施与监测，鼓励数据使用透明、算法公平和问责。研究还指出，具有较高AI准备度（AI Readiness, AIR）和伦理领导结构的组织更能应对风险并促进可持续绩效。可持续性不仅包括环境绩效，也包括社会福祉、员工满意、公平治理和伦理创新，并与联合国可持续发展目标（Sustainable Development Goals, SDGs）相关；社会责任型人力资源管理（Socially Responsible Human Resource Management, SRHRM）与伦理AI机制结合有助实现相关目标。现有问题在于：HCM与伦理AI对机构绩效的联合影响实证研究仍稀缺，尤其在印度情境；既有HCM文献多关注领导、员工技能和学习能力，较少考虑新兴数字与AI赋能工作系统；伦理AI研究多采用概念或规范路径，关注公平、透明和问责准则，却缺少组织绩效结果证据；人力资本研究与AI治理常被独立研究，缺乏整合HCT与伦理AI及负责任管理实践的整体框架。因此，研究人员构建了由LP、KA、LC、EAIC、AIR和SRHRM预测可持续组织绩效（Sustainable Organizational Performance, SOP）的整合模型，以印度商学院员工为对象，采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）进行检验。研究得出所有假设关系均获支持，LP是最强预测变量，其后为LC、AIR、KA、SRHRM和EAIC；结论是学术机构可持续绩效需要稳健人力能力与伦理治理的技术准备度。其意义在于：理论上整合人力资本与伦理AI视角，形成连接人本与技术决定因素的框架；实践上为商学院领导、政策制定者和人力资源专业人员制定提升人力资本、善用AI并提高SOP的策略提供参考，并服务问责、创新、诚信和长期价值创造。
主要关键技术方法：研究人员采用定量横断面调查研究，对象为印度AICTE批准商学院的全职或合同教师、行政与教学人员及机构领导者；按私立附属学院、自治机构、认定大学和州立大学分层抽样，通过机构邮件列表和专业联系发放在线结构化问卷，使用5点Likert量表，数据收集约12周，最终从484份回复中获得442份有效样本。分析使用SmartPLS 3.0进行PLS-SEM，评估测量模型（因子载荷、Cronbach's α、组合信度（Composite Reliability, CR）、平均方差提取量（Average Variance Extracted, AVE）、方差膨胀因子（Variance Inflation Factor, VIF）、异质-单质相关比率（HeTerotrait-MonoTrait, HTMT））和结构模型（共线性、R²、f²、Q²、PLSpredict及5000次子样本Bootstrapping）。
研究结果：4.1 人口学因素分析（Demographic factor analysis）通过描述性统计显示样本以25—34岁（36.7%）和35—44岁（34.6%）为主，男性占56.1%，硕士占48.9%、博士占30.3%，1—10年教学/专业经验者占63.3%，私立机构占58.4%，助理教授占53.8%，专业分布以营销25.3%、金融21.3%、人力资源19.5%较多，永久职位占60.6%，当前机构任职4—6年占32.1%、1—3年占28.9%，结论为样本覆盖早期至中期职业教师及多样机构与学科背景。4.2 测量模型评估（Measurement model assessment）通过因子载荷、Cronbach's α、CR、AVE、VIF和HTMT检验，发现各项目载荷均高于0.70（SRHRM1为0.732），Cronbach's α为0.880—0.928，CR为0.905—0.945，AVE均高于0.50（SRHRM为0.658，KA为0.780，AIR为0.775），项目VIF为1.86—3.90且低于5，HTMT均低于0.85/0.90（最高为SOP与LP的0.571），结论为测量模型具有较强信度、收敛效度和区分效度且无多重共线性。4.3 结构模型评估（Structural model assessment）按照Hair et al.的指南评估共线性、R²、Q²、f²、PLSpredict和Bootstrapping假设检验。4.3.1 共线性评估（Collinearity assessment）通过内部VIF检验发现VIF为1.021—1.047，低于3.3和5.0，结论为无多重共线性威胁。4.3.2 解释力（Explanatory power, R²）显示R²=0.618、调整R²=0.612，说明LP、KA、LC、EAIC、AIR和SRHRM解释SOP方差61.8%，结论为预测能力较高。4.3.3 效应量（Effect size, f²）显示LP的f²=0.685为最高，LC为0.294、AIR为0.283具中等实践重要性，KA为0.084、EAIC为0.044、SRHRM为0.046实践重要性较低。4.3.4 预测相关性（Predictive relevance, Q²）通过Blindfolding得到SOP的Q²=0.461，显著高于0，结论为外生构念对SOP具有良好预测力。4.3.5 PLSpredict评估通过将PLS-SEM与线性模型（Linear Model, LM）基准比较，发现SOP1、SOP2、SOP4的LM均方根误差（Root Mean Square Error, RMSE）=1.030低于PLS-SEM的RMSE=1.079，说明这些指标线性预测更准确；SOP3按较小RMSE判断，PLS-SEM的预测优势并不一致，结论为结构模型具解释和预测力，但样本外预测不总优于LM。4.3.6 Bootstrapping程序采用5000次子样本和偏差校正加速（bias-corrected and accelerated, BCa）95%置信区间双尾检验，结果显示所有假设获支持：LP→SOP（β=0.522，t=19.684，p<0.001）、KA→SOP（β=0.182，t=6.397，p<0.001）、LC→SOP（β=0.342，t=12.973，p<0.001）、EAIC→SOP（β=0.131，t=3.350，p=0.001）、AIR→SOP（β=0.335，t=11.707，p<0.001）、SRHRM→SOP（β=0.136，t=4.518，p<0.001），结论为各构念均显著正向预测SOP，LP最强，其后为LC、AIR、KA、SRHRM和EAIC。
讨论总结：讨论部分认为所有假设均获支持，LP是SOP最突出驱动因素，领导者通过愿景、参与式管理和伦理行为激励教职员工并强化决策与机构精神；KA通过知识资源可及、共享和使用提升教学、科研与决策；LC通过持续学习、适应变化和技能发展应对技术变革、认证标准变化与学生期望变化；EAIC通过透明、非歧视、负责任数据使用和算法偏差防护增强信任、技术采纳并降低声誉风险；AIR通过技术基础设施、数字能力和智能系统实施改善决策、效率与资源利用；SRHRM通过公平、员工福祉、社区参与和可持续人力资源政策提升满意度、留任和机构声誉。讨论还指出，结构模型R²=0.618、Q²=0.461，但指标层面LM对SOP1、SOP2、SOP4的RMSE更低，提示需区分解释力与预测力，预测应用应比较不同模型。研究意义包括理论整合HCT、伦理AI和负责任管理理论，实践上提示商学院重视伦理领导发展、知识平台、学习机会、AI基础设施与数字能力、SRHRM福祉与包容实践，政策层面可支持伦理AI意识、教师能力建设和负责任技术整合。
研究结论翻译：该研究考察了商学院中HCM实践和AI相关能力如何促进SOP。通过整合HCT与伦理AI和负责任管理，该研究提出了一个综合框架，解释以人为中心的能力和负责任AI实践如何共同增强机构效能。研究发现LP、KA、LC、SRHRM、AIR和EAIC均对SOP有显著正向影响。LP是最强预测因子，强调愿景型和伦理型领导在促进创新和组织卓越中的重要性。KA和LC是其他关键要素，强调持续学习和有效知识共享机制的必要性。从技术角度看，AIR和EAIC有显著贡献，表明负责任采用AI并投资数字能力的机构取得更好结果。SRHRM进一步支持员工福祉和机构可持续性。总体而言，研究结果表明SOP取决于人力资本发展、伦理原则和技术准备度的协同。该研究存在若干局限。横断面设计识别的是关联而非确定的因果关系，442名印度商学院受访者样本可能限制普适性。自我报告数据可能引入回答偏差。未来研究可采用纵向和跨国研究、客观绩效指标和多源数据。进一步研究还可考察组织文化、AI治理和数字成熟度等中介和调节因素，以深入理解SOP。