《Results in Engineering》：A Socio-Technical Architecture for Culturally Adaptive AI: Human-in-the-Loop Integration for Sustainable Operations
编辑推荐：
本研究提出了一种面向"文化自适应人工智能（Culturally Adaptive AI, CAAI）"的新型约束感知算法架构，该架构采用结构化的人本回环（Human-in-the-Loop, HITL）方法。所提出的系统架构由四个不同的层次组成：数据集成层（D
本研究提出了一种面向"文化自适应人工智能（Culturally Adaptive AI, CAAI）"的新型约束感知算法架构，该架构采用结构化的人本回环（Human-in-the-Loop, HITL）方法。所提出的系统架构由四个不同的层次组成：数据集成层（Data Integration Layer）、人工智能决策引擎层（AI Decision Engine Layer）、文化适应中间件层（Cultural Adaptation Middleware）以及用户界面层（User Interface Layer）。为在实证层面验证该系统在推动可持续绩效方面的有效性，研究人员采用了顺序解释性混合方法设计（sequential explanatory mixed-methods design），结合对420名专业人士的定量评估与来自25位专家访谈的定性见解。结构方程模型（偏最小二乘结构方程建模，Partial Least Squares-Structural Equation Modeling, PLS-SEM）证实，技术就绪度（Technological Readiness）和组织支持（Organizational Support）显著驱动系统采纳，并有效中介了可持续运营的优化。此外，定性研究发现，特定的文化变量，如"Kreng Jai"（恭顺体谅，deferential consideration）和高权力距离（high power distance），需要对文化适应中间件进行参数化，以缓和自主部署的速度。通过将算法效率与社会规范相协调，该工程框架为在新兴经济体中实施人本回环人工智能系统以实现可持续发展目标（Sustainable Development Goals, SDGs）提供了稳健且可扩展的蓝图。
本研究聚焦于泰国这一正迈向创新驱动型"泰国4.0"战略的新兴经济体，探讨可持续性与数字化交汇处的社会技术工程挑战。当前泰国人工智能 adoption 呈现悖论态势：数字基础设施持续改善，但企业层面部署仍处萌芽阶段，面临从技能短缺到社会文化不兼容系统架构等多重摩擦。现有工程管理文献存在关键空白，即缺乏面向高权力距离、非西方经济体的人工智能部署约束感知架构模型；多数研究聚焦于计算效率指标而非系统性可持续性指标。
研究人员整合资源基础观（Resource-Based View, RBV）与技术-组织-环境框架（Technology-Organization-Environment, TOE framework），构建综合性系统模型以解释组织如何将人工智能作为战略资源提升可持续绩效。研究采用顺序解释性混合方法设计，第一阶段通过数据库家企业人力资源专业人士问卷调查获取420份有效回应，样本涵盖制造、科技和服务业的中大型企业人力资源总监、高级经理及分析师；第二阶段对25位高管进行半结构化访谈，运用主题分析法深入探究实施机制与文化壁垒。定量分析采用SmartPLS 4进行PLS-SEM建模，严格遵循最新报告标准，评估测量模型的内部一致性信度、收敛效度与区分效度，并通过HTMT标准、自助法（bootstrapping）及PLSpredict分析确保统计严谨性与预测相关性。
研究提出的文化自适应人工智能框架被操作化为四层约束感知算法架构：（1）数据集成层负责多源数据整合；（2）人工智能决策引擎层基于梯度提升等机器学习技术实现核心决策功能；（3）文化适应中间件层作为核心创新，动态调整人工智能决策输出以适配测量文化指数——该层针对"Kreng Jai"（恭顺体谅）和高权力距离等文化变量进行参数化，通过阈值触发升级协议实现人本回环治理，例如放缓自主部署速度、软化直接反馈以避免失面子；（4）用户界面层提供尊重社会协议的"柔性"交互界面。
研究结果显示：测量模型方面，所有题项载荷大于0.708，克朗巴哈系数（Cronbach's α）介于0.795至0.940，平均方差萃取量（AVE）超过0.50，HTMT比率低于0.85阈值，表明模型具有稳健的心理测量学特性。结构模型方面，技术就绪度对人工智能采纳有显著正向影响（β=0.380, p<0.001），组织支持是最强驱动因素（β=0.455, p<0.001），环境压力影响较弱但显著（β=0.125, p<0.05），绿色人力资源管理实践显著预测人工智能采纳（β=0.320, p<0.001）；人工智能采纳对组织可持续性绩效有显著正向效应（β=0.410, p<0.001），且在绿色人力资源管理与可持续性绩效间发挥中介作用（间接效应β=0.131, p<0.001）；高权力 distance 正向调节组织支持与人工智能采纳的关系（β=0.185, p<0.01）。模型解释力方面，人工智能采纳的R2为0.585，可持续性绩效的R2为0.612，石-盖塞尔准则（Q2）均大于零，PLSpredict证实高预测相关性。
定性研究揭示三个核心主题：（一）"Kreng Jai悖论"——人工智能的客观性与泰国文化的冲突，直接反馈可能违反恭顺体谅规范，需人工缓冲；（二）"硬件富集、人力匮乏"综合征——企业采购技术工具但缺乏"数据翻译者"，陷入"试点炼狱"；三）绿色人力资源管理的"合规"与"战略"分化——多数企业将之视为合规策略，而领先企业利用人工智能将"绿色"重构为"效率"。
讨论部分，研究人员指出：人工智能采纳至可持续性绩效的强路径验证了资源基础观在数字情境下的适用性，人工智能作为动态能力放大绿色人力资源管理效应；环境压力的弱驱动效应与西方文献形成对比，反映泰国情境下采纳更具自愿性、依赖内部领导力的特征；"Kreng Jai"发现纠正了技术决定论，在高权力距离文化中，人本回环是尊重层级的社会必要而非技术冗余。实践层面，建议人力资源领导者以"韧性"而非速度推销人工智能，投资"数据翻译者"，构建混合反馈系统；政策制定者应完善泰国4.0激励措施，弥合中小企业数字鸿沟。
研究结论指出，人工智能是增强可持续人力资源管理的战略资源，组织支持和技术就绪度是核心引擎，文化适应至关重要；未来需开展纵向追踪研究，进行 sector-specific 分析，并显式测量"文化紧密度-松散度（Cultural Tightness-Looseness）"。为实现可持续发展目标，组织必须将人工智能采纳视为文化转型，协调高科技效率与高接触价值。
