员工对人工智能的信任与创新行为：一项基于JD-R模型的研究

《Behavioral Sciences》：Employees’ Trust in AI and Innovative Behavior: A JD-R Model Perspective Chao Liu, Qichen Liao and Junting Lu

　　

随着技术的快速发展，是否培养员工对人工智能（AI）的信任已成为管理者推动创新必须解决的实际问题。在本研究中，研究人员基于工作要求-资源（Job Demands-Resources，JD-R）理论，以工作自主性和工作相关心流的专注度作为平行中介变量，并以工作复杂性作为边界条件，探讨了员工对AI的信任如何影响其创新行为。利用来自254名参与者的两波调查（间隔两周）数据和结构方程模型，研究人员发现，员工对AI的信任与创新行为呈正相关，且这种关系完全由工作自主性和工作相关心流的专注度中介。此外，工作复杂性负向调节了信任AI与中介变量之间的联系，并削弱了对创新的间接效应。基于这些发现，本研究丰富了关于AI信任的文献并拓展了其边界条件，建议管理者培养员工对AI的信任，利用资源增益和需求赋能路径，并针对工作复杂性采取差异化策略，以最大化AI信任对创新的促进作用。

### 论文解读：员工对人工智能的信任与创新行为——基于JD-R模型视角

#### 1. 研究背景与问题提出

在数字智能时代，员工创新已成为企业竞争优势的决定因素，而人工智能（AI）技术在促进、规模化及维持组织员工创新行为中扮演着不可或缺的角色。然而，AI技术本身并非创新，企业需将员工——创新的主要实践者——作为将技术能力转化为实际创新的关键环节。员工对AI技术的感知，特别是对AI值得信赖程度的信念（即AI信任），可能影响其运用AI技术解决工作问题的决策，进而作用于创新行为。当前，尽管学者们已确认AI信任在促进交互意愿、信息共享及人机协作中的作用，但关于AI信任与创新行为之间关系的研究尚缺乏系统性理论框架，鲜有针对性的探索。因此，探究员工对AI的信任是否及如何影响其创新行为，成为当前企业管理实践亟待解决的重要课题。

本研究基于工作要求-资源（JD-R）模型展开。该模型将工作特征分为工作要求与工作资源，并认为个体因素可能影响这一分类过程及结果。信任AI的员工将其视为有用工具，能丰富工作资源（如更多精力与时间），增强工作自主性，产生资源增益效应；同时，他们也更倾向于为自己设定挑战性的工作要求（如更主动地学习AI应用），并积极调配资源予以应对，从而促进工作心流，产生需求赋能效应。现有研究已证实工作自主性与工作心流均能积极预测员工创新行为。此外，鉴于AI在应对非程序化、高复杂性任务时的局限性，工作复杂性可能是信任AI发挥影响的重要情境因素。为弥合研究空白，该研究系统考察了员工对AI的信任影响创新行为的双路径机制及工作复杂性的调节作用。该论文发表在《Behavioral Sciences》。

#### 2. 主要关键技术方法

本研究采用两波问卷调查法，通过Credamo平台收集数据，两波调查间隔两周。样本来源为在工作中接触或使用过AI的员工，通过问卷开头的AI定义及筛选题项确保被试符合要求。第一波测量信任AI与工作复杂性，收回有效问卷373份；两周后对同一批被试进行第二波调查，测量工作自主性、工作心流专注度与创新行为，最终匹配并排除无效问卷后得到254份有效样本。研究使用Mplus软件进行数据分析，采用结构方程模型检验假设，包括验证性因子分析、路径分析及偏差校正自助法检验中介与调节中介效应。量表均选自成熟英文量表，经严谨的回译程序翻译为中文。

#### 3. 研究结果

##### **4.1. 验证性因子分析结果**
通过验证性因子分析（CFA）检验模型拟合度。五因子模型（信任AI、工作复杂性、工作自主性、工作心流专注度、创新行为）的拟合指数可接受（χ2/df = 2.268, CFI = 0.921, TLI = 0.905, RMSEA = 0.071），优于其他竞争模型。所有因子载荷均大于0.5，平均方差抽取量（AVE）均大于0.5，组合信度（CR）均大于0.7，表明数据具有良好的测量效度。

##### **4.2. 描述性统计与相关分析**
相关分析结果显示，信任AI与创新行为（r = 0.234, p < 0.01）、工作自主性（r = 0.195, p < 0.01）及工作心流专注度（r = 0.265, p < 0.01）均显著正相关；创新行为与工作自主性（r = 0.598, p < 0.01）及工作心流专注度（r = 0.592, p < 0.01）亦显著正相关。该相关模式与研究假设一致。

##### **4.3. 假设检验**
直接效应检验显示，信任AI对创新行为具有显著正向影响（B = 0.200, p < 0.001），支持H1。路径分析表明，信任AI对工作自主性（B = 0.138, p < 0.01，支持H2）和工作心流专注度（B = 0.274, p < 0.001，支持H4）均有显著正向影响；工作自主性（B = 0.431, p < 0.001）与工作心流专注度（B = 0.294, p < 0.001）也分别与创新行为显著正相关。

间接效应检验表明，工作自主性在信任AI与创新行为间的间接效应为0.059（95% CI [0.023, 0.110]），支持H3；工作心流专注度的间接效应为0.080（95% CI [0.039, 0.146]），支持H5。信任AI对创新行为的直接效应在纳入中介变量后不再显著（B = 0.048, p > 0.05），表明两者发挥完全中介作用。

调节效应检验发现，信任AI与工作复杂性的交互项对工作自主性（B = -0.169, p < 0.01）和工作心流专注度（B = -0.181, p < 0.01）均有显著负向影响。简单斜率分析显示，在高工作复杂性下，信任AI对工作自主性（B = -0.031, 95% CI [-0.182, 0.135]）和心流专注度（B = 0.092, 95% CI [-0.106, 0.316]）的影响均不显著；而在低工作复杂性下，信任AI对两者的正向影响显著（工作自主性：B = 0.307, 95% CI [0.177, 0.451]；心流专注度：B = 0.455, 95% CI [0.261, 0.670]），高低组间差异显著，支持H6a与H6b。

进一步的有调节中介效应检验表明，在工作复杂性高时，工作自主性的中介效应不显著（B = -0.013, 95% CI [-0.083, 0.057]），心流专注度的中介效应也不显著（B = 0.027, 95% CI [-0.029, 0.102]）；而在工作复杂性低时，两者中介效应均显著，且高低组间差异显著，支持H7a与H7b。

#### 4. 讨论与结论总结

**讨论部分**：本研究基于JD-R模型，从个体与工作因素整合的新视角，初步揭示了员工信任AI影响创新工作行为的机制“黑箱”。研究发现，信任AI可通过资源增益路径（增强工作自主性）与需求赋能路径（提升工作心流专注度）间接促进创新行为。更重要的是，这些效应完全依赖于工作复杂性水平：对于从事高复杂性工作的员工，信任AI无法显著提升其工作自主性、心流专注度及后续创新行为；而对于低复杂性工作的员工，信任AI能有效激发这些积极效应。研究厘清了信任AI的多层面影响，为相关领域提供了新视角。

**研究结论**：随着AI的快速发展，是否培养员工对AI的信任，已成为高度重视员工创新的组织和领导者必须应对的关键挑战。本研究聚焦于员工信任AI的影响，发现信任AI的员工能够从资源丰富中获益，并受工作要求赋能，从而表现出更多的创新工作行为——且这种关系取决于工作复杂性水平。通过提供审视员工信任AI影响的新视角，本研究不仅为未来研究深化对AI信任的理解提供了方向，也为组织在当今AI驱动的职场中决定是否培养员工对AI的信任并促进员工创新提供了可操作的见解。