技术压力、感知组织支持与医疗专业人员职业倦怠：一个抑制中介模型

《Nursing Reports》：Technostress, Perceived Organizational Support, and Burnout Among Healthcare Professionals: A Suppression Mediation Model

　　

摘要
背景/目的：本研究旨在评估医疗从业者的技术压力（Technostress）和职业倦怠（Burnout）水平，探究技术压力、感知组织支持（POS）与职业倦怠之间的关系，并采用抑制方法检验POS是否中介了这一关系。数字健康技术的快速普及增加了医疗环境中与技术相关的工作要求。技术压力已成为与职业倦怠相关的主要心理风险因素，但其直接效应的证据并不一致。尽管组织资源（尤其是感知组织支持）可能调节这一关系，但其潜在机制尚不清楚，尤其是在沙特阿拉伯等快速数字化的医疗体系背景下。方法：这是一项横断面、多中心、描述性相关研究，样本为从沙特阿拉伯临床环境中方便选取的150名医疗专业人员。研究使用了技术压力源量表、哥本哈根职业倦怠量表和感知组织支持量表进行数据收集。统计分析包括皮尔逊相关、多元回归、自助法中介分析和结构方程建模。结果：所有维度的技术压力水平均为中等（M = 2.87–3.42）。POS与技术压力呈正相关（r = +0.36, p < 0.001），与职业倦怠呈负相关（r = ?0.54, p < 0.001）。技术压力与职业倦怠的双变量关系不显著（r = ?0.06, p = 0.437）。中介分析显示，通过POS的负向间接效应显著（β = ?0.19, p = 0.002），而直接效应显著为正（β = +0.14, p = 0.019），表明存在不一致中介（抑制效应）。结构方程建模显示出与恰好识别模型一致的优异拟合。结论：研究结果提示，观察到的统计关联与一个抑制中介模型一致：技术压力与职业倦怠呈正相关，同时与更高的感知组织支持相关，而感知组织支持又与更低的职业倦怠相关。POS发挥着关键的保护作用，但并未完全抵消技术压力的有害关联。医疗机构应实施主动支持策略，包括持续的技术支持、结构化的数字培训和积极的管理参与，以管理技术压力并降低职业倦怠风险。

论文解读文章

**研究背景与问题**
随着信息与通信技术（ICT）在医疗领域的快速普及，沙特阿拉伯“2030愿景”推动了数字健康基础设施（如电子健康记录EHR、人工智能决策支持、远程医疗等）的大规模投资。然而，数字技术的快速应用给医疗专业人员带来了显著的心理负担，主要表现为技术压力（Technostress）——因无法健康应对新计算机技术而产生的心理紧张状态。技术压力包括技术过载、技术入侵、技术复杂性、技术不安全感和技术不确定性五个维度，这些维度共同消耗员工的认知、情绪和行为资源，并可能引发职业倦怠（Burnout）。尽管直觉上技术压力与职业倦怠密切相关，但现有文献显示二者之间的直接关联并不一致，提示存在中介或调节机制。感知组织支持（Perceived Organizational Support, POS）——员工感知到组织重视其贡献并关心其福祉的程度——被理论化为一种重要资源，能够改变压力-倦怠过程。基于工作需求-资源（JD-R）模型和保护资源（COR）理论，POS作为典型的组织资源，可能缓冲技术需求对福祉的负面影响。然而，在医疗背景下，POS在技术压力与职业倦怠之间具体的中介机制尚不明确，尤其是在快速数字化的海湾地区（职业倦怠率常高达40–60%）。因此，本研究旨在评估医疗专业人员的技术压力和职业倦怠水平，探究技术压力、POS与职业倦怠之间的关系，并检验POS是否通过抑制中介路径（suppression mediation）发挥中介作用。

**主要关键技术方法**
本研究为横断面、描述性相关设计，采用多中心方便抽样，于2024年9月至12月从沙特阿拉伯利雅得和阿尔卡西姆地区的三家二级和三级医院招募了150名医疗专业人员（包括护士、医生、药剂师及放射技师、实验室技术员、呼吸治疗师等联合健康专业人员）。研究使用三个经过验证的英文量表进行数据收集：技术压力源量表（Tarafdar等编制，23条目，5点李克特）、哥本哈根职业倦怠量表（CBI，19条目，3个子维度）和感知组织支持量表（POS量表，Eisenberger等编制，8条目，7点李克特）。统计方法包括描述性统计、皮尔逊相关、多元回归、基于5000次自助法的中介分析（偏校正95%置信区间）以及结构方程建模（SEM）。样本量由G*Power 3.1确定为至少107人，实际150人满足要求。共同方法偏差通过Harman单因素检验评估（第一未旋转因子解释28.3%方差，低于50%阈值）。

**研究结果**
**3.1 人口学与工作特征**：样本包括护士（52.0%）、医生（20.7%）、药剂师（12.7%）和联合健康专业人员（14.7%）。59.3%为男性，48.0%拥有学士学位，32.7%拥有硕士学位。最大经验组为6–10年服务年限（32.0%），多数在现组织任职4–7年（34.7%），表明以中职业生涯人员为主，长期接触持续数字化转型。
**3.2 信度与描述性统计**：技术压力各维度内部一致性良好（α = 0.81–0.89），均值范围为2.87（技术不安全感）至3.42（技术过载），技术过载和技术不确定性是最突出的压力源。POS信度α = 0.92，均值3.62（中等偏高水平）。职业倦怠总体信度α = 0.84，均值3.54，个人倦怠维度最高（M = 3.74）。
**3.3 相关分析（假设1、2、3）**：皮尔逊相关显示，技术压力与职业倦怠的双变量相关不显著（r = ?0.057, p = 0.437），不支持假设1；技术压力与POS显著正相关（r = +0.357, p < 0.001），支持假设2；POS与职业倦怠显著负相关（r = ?0.537, p < 0.001），支持假设3。
**3.4 回归分析**：模型1（技术压力预测职业倦怠）不显著；模型2（技术压力预测POS）显著；模型3（POS预测职业倦怠）显著负向；模型4（多元回归中控制POS后）技术压力成为职业倦怠的显著正向预测因子（β = +0.16, p = 0.019），同时POS仍显著负向（β = ?0.59, p < 0.001），两个预测因子共同解释职业倦怠30%的方差（R² = 0.30）。VIF < 1.15，无多重共线性问题。
**3.5 中介分析（假设4）**：自助法中介分析显示，技术压力通过POS对职业倦怠的间接效应显著为负（β间接 = ?0.19, 95% CI [?0.30, ?0.08], p = 0.002）；直接效应显著为正（β = +0.14, p = 0.019）；总效应不显著。这种模式表明存在不一致中介（抑制效应），即POS暴露了技术压力对职业倦怠的正向直接路径，同时通过负向间接路径抵消，导致双变量关联近乎为零。
**3.6 结构方程建模**：SEM结果与回归和中介分析一致。结构路径的方向和显著性均吻合，模型拟合指数接近完美（CFI = 1.011; GFI = 1.000; AGFI = 1.000; NFI = 1.000; TLI = 1.043; RMSEA = 0.000; χ² ≈ 0.000, p > 0.05），符合三变量恰好识别（饱和）模型的特征。技术压力和POS共同解释职业倦怠30%的变异。

**讨论与结论**
**讨论总结**：研究结果在JD-R模型和COR理论框架下具有一致解释。技术压力与职业倦怠的正向直接路径（控制POS后显现）符合JD-R能量过程，即需求消耗心理资源导致倦怠；POS的强负向关联符合动机过程，即资源缓冲健康损害路径。抑制中介架构反映了这两个过程同时以相反方向运行，从而产生双变量效应的近乎为零。POS与技术压力之间的正相关可能反映了一种动态反应性组织机制：面对更高技术需求的员工可能获得更多组织支持（如加强培训、IT帮助台、主管关注等），从而部分抵消资源损耗，但无法完全中和直接有害路径。关键临床启示：在数字化密集的医院中，若组织减少POS（如削减IT支持预算、减少培训频率），被抑制的有害路径将浮出水面，导致职业倦怠快速上升。局限性包括横断面设计无法推断因果、自我报告数据可能存在共同方法偏差（但Harman检验支持低风险）、方便样本限制外部效度、模型仅解释30%的倦怠变异等。
**研究结论翻译**：本研究为沙特阿拉伯快速数字化背景下医疗专业人员的技术压力-职业倦怠关系中感知组织支持的不一致中介（抑制效应）提供了实证证据。研究结果表明，技术压力与更高的职业倦怠直接相关，同时也与更高的感知组织支持相关，而感知组织支持又通过间接保护路径与更低的职业倦怠相关。这种抑制模式可能解释了为何技术压力与职业倦怠的双变量关联可忽略不计——因为相反的直接和间接效应相互抵消。技术过载和技术不确定性是最突出的压力源维度，个人倦怠是最高的结果指标。SEM路径估计确认了所提出的模型结构；全局拟合指数反映了恰好识别模型，应在个体路径系数层面进行解读。这些发现强调了在加速数字化转型过程中，主动组织投资于综合支持基础设施（包括技术援助、数字素养项目、主管参与和心理安全实践）作为劳动力韧性战略投资的重要性。POS与职业倦怠的保护性关联显著，但并未完全抵消技术压力的直接关联，这突出了持续和全面支持提供的必要性。