《Frontiers in Human Dynamics》:How AI usage shapes employees’ exploitative and exploratory innovation: joy as a mediator and learning goal orientation as a moderator
编辑推荐:
AI使用如何塑造员工的利用式创新与探索式创新:以喜悦为中介变量与学习目标导向为调节变量
引言:员工在组织双元创新(ambidextrous innovation)中发挥着关键作用,然而现有研究对人工智能(artificial intelligence, AI
AI使用如何塑造员工的利用式创新与探索式创新:以喜悦为中介变量与学习目标导向为调节变量
引言:员工在组织双元创新(ambidextrous innovation)中发挥着关键作用,然而现有研究对人工智能(artificial intelligence, AI)如何塑造员工的利用式创新(exploitative innovation, EEI)与探索式创新(exploratory innovation, EXI)关注有限。本研究基于认知评价理论(cognitive appraisal theory, CAT)与积极情绪的扩展-建构理论(broaden-and-build theory of positive emotions, BBT),将喜悦(joy)确定为联结人工智能使用与这两种创新形式的核心情绪机制。作为一种植根于人-情境匹配(person-situation fit)的高唤醒积极情绪,喜悦能够促进主动投入,这与满意度或幸福感等反映接受而非追求的低唤醒情绪形成对比。研究人员进一步考察了学习目标导向(learning goal orientation, LGO)如何调节喜悦转化为利用式创新与探索式创新的程度,从而增进对技术赋能如何影响双元创新的理解。方法:本研究采用中国员工(N = 669)的问卷调查数据,运用偏最小二乘结构方程模型(partial least squares structural equation modeling, PLS-SEM)考察喜悦在人工智能使用与员工利用式创新和探索式创新关系中的中介作用,以及学习目标导向的调节作用。结果:人工智能使用对员工利用式创新(β = 0.120)与探索式创新(β = 0.104)具有较小但具有实际意义的正向效应,其中喜悦仅对探索式创新的效应起部分中介作用(间接β = 0.050)。此外,仅在高学习目标导向条件下,喜悦才对利用式创新(β = 0.182)与探索式创新(β = 0.206)产生正向预测。讨论:研究结果强调,积极情绪的作用并非普遍一致,而是依赖于动机:喜悦中介探索式创新而非利用式创新,而高学习目标导向会放大其对两种创新类型的影响。这些结果将情绪理论拓展至AI赋能的工作情境,并为培育员工的情绪与学习动机、实现技术赋能与创新的协同提供了实践启示。
**研究背景与问题**
在数字化与智能化转型加速的背景下,企业若要在动态竞争环境中实现可持续发展,必须同时深化现有能力(利用式创新,exploitative innovation, EEI)与积极探索新机会(探索式创新,exploratory innovation, EXI)以实现双元创新,但两者常因争夺有限资源而难以平衡。以往研究多聚焦组织支持、领导风格与个体特征等传统资源,对人工智能(artificial intelligence, AI)这一新兴数字资源如何系统性地塑造员工双元创新、尤其是其差异化作用路径,仍缺乏探讨。AI使用具有典型的“双刃剑”效应:一方面可显著提升工作效率与满意度,为创新提供认知与资源支持;另一方面,过度依赖AI可能削弱员工的自主思考与深度信息加工能力,抑制创新潜能。因此,仅从技术特征层面难以全面理解AI使用的后果,还需考察员工如何认知评价与情绪体验AI。为此,研究人员基于认知评价理论(cognitive appraisal theory, CAT)与积极情绪的扩展-建构理论(broaden-and-build theory of positive emotions, BBT),构建“AI使用—喜悦—EEI/EXI”被调节中介模型,将喜悦(joy)这一高唤醒积极情绪确立为联结AI使用与两类创新的核心情绪机制,并引入学习目标导向(learning goal orientation, LGO)作为边界条件。该论文发表于《Frontiers in Human Dynamics》,研究发现AI使用能够显著促进两类创新,且这一作用通过差异化的情绪与动机机制实现,为理解技术赋能与双元创新的关系提供了新的理论视角。
**研究设计与方法**
研究人员于2025年1月至5月在中国苏州、上海募集日常工作中使用AI工具的全职员工,经严格筛选后保留669份有效问卷(有效回收率87.64%)。采用偏最小二乘结构方程模型(partial least squares structural equation modeling, PLS-SEM)及5000次自助抽样法(bootstrapping)检验假设;核心变量沿用成熟量表(AI使用3条目、喜悦7条目、EEI与EXI各7条目、LGO 6条目),并控制性别、年龄、教育水平、工作年限、行业、职位及每日AI使用时间;以程序性措施与Harman单因子检验排除共同方法偏差(common method bias, CMB)风险。
**研究结果**
**(一)信度与效度检验**
验证性因子分析(confirmatory factor analysis, CFA)显示五因子模型拟合良好(χ
2/df = 1.050, CFI = 0.998, TLI = 0.998, RMSEA = 0.009, SRMR = 0.026);各构念的Cronbach's α > 0.80、组合信度(composite reliability, CR)> 0.70、平均方差抽取量(average variance extracted, AVE)> 0.50,表明测量模型具有良好的信度、收敛效度与区分效度。
**(二)研究模型检验**
结构模型检验表明,AI使用显著正向影响EEI(β = 0.120, p < 0.01)与EXI(β = 0.104, p < 0.05),支持假设H1、H2,分别解释EEI约11.4%与EXI约11.6%的方差。中介效应方面,AI使用经喜悦影响EXI的间接效应显著(β = 0.050, p < 0.05),支持H4;而经喜悦影响EEI的间接效应(β = 0.041, p > 0.05)效应量小、p值边缘,被判定为缺乏实质意义,H3未获支持。调节效应方面,喜悦与LGO的交互项对EEI(β = 0.089, p < 0.05)与EXI(β = 0.092, p < 0.05)均显著;简单斜率分析显示,仅在高LGO条件下,喜悦才对EEI(β = 0.182, p < 0.01)与EXI(β = 0.206, p < 0.01)产生显著正向预测,低LGO时不显著,假设H5、H6获支持。
**(三)稳健性检验**
将每日AI使用时间纳入控制变量后重新估计模型,核心假设关系基本不变;该控制变量本身无显著直接或间接效应,表明主要结果并非由AI使用强度差异驱动,结论具有稳健性。
**讨论与结论**
讨论部分指出,喜悦之所以仅中介EXI而非EEI,是因为高唤醒积极情绪的扩展认知与心理资源积累功能与EXI所需的不确定性耐受及持续投入高度匹配,而EEI依赖既有惯例的渐进优化、对情绪唤醒需求较弱,AI的功能性特征可直接支持EEI,喜悦仅起补充作用。交互效应进一步表明,只有当员工具有高LGO、将AI使用评价为能力发展机会时,喜悦才能转化为两类创新行为,这符合认知评价理论关于情绪行动倾向取决于个体对情境需求与目标相关性评价的观点。理论层面,研究将CAT与BBT整合应用于AI情境,推进了离散情绪研究,表明高唤醒积极情绪的效应依任务特征与个体动机取向而异;实践层面,建议组织在AI系统设计与培训中提供透明反馈与试错机会,采取人在回路设计(human-in-the-loop designs)等机制防止员工过度依赖AI,并依据员工的LGO实施差异化培训。研究局限包括横截面设计限制因果推断、仅考察喜悦一种离散情绪、样本源自中国企业而制约跨文化可推广性。
研究结论部分可译为:本研究考察了离散情绪与动机机制在联结AI使用与EEI、EXI中的作用。通过整合CAT与BBT,研究结果表明,喜悦是一种差异化的情绪通路,而非跨创新类型的统一驱动因素;此外,研究识别出LGO是决定喜悦何时转化为创新的关键边界条件。总体而言,AI使用的创新相关后果不仅取决于技术特征,还取决于员工如何认知评价AI赋能的工作,以及情绪体验如何与个体动机取向相互作用,这为数字化工作与AI赋能创新的研究提供了关键启示。