《Behavioral Sciences》：Enhancing Employee Innovation Through Dependence on AI: The Mediating Role of Cognitive Flexibility and Moderating Effect of Job Complexity
编辑推荐：
基于工作需求-资源（Job Demands-Resources, JD-R）模型，研究人员探究了人工智能依赖（Dependence on AI, DAI）影响员工创新行为的机制，聚焦认知灵活性（Cognitive Flexibility, CFI）的中介作用与
基于工作需求-资源（Job Demands-Resources, JD-R）模型，研究人员探究了人工智能依赖（Dependence on AI, DAI）影响员工创新行为的机制，聚焦认知灵活性（Cognitive Flexibility, CFI）的中介作用与工作复杂性（Job Complexity, JC）的调节效应。利用2024年12月至2025年2月收集的全职员工问卷数据，研究人员通过AMOS、SPSS及PROCESS宏进行验证性因子分析、相关分析、分层回归与Bootstrap检验。结果表明，DAI显著正向预测员工创新行为，认知灵活性在两者之间起部分中介作用。工作复杂性对认知灵活性与创新行为之间的关联起负向调节作用，即工作复杂性较高时，认知灵活性对创新行为的正向联结相对减弱。本研究拓展了DAI影响创新行为的认知中介路径，细化了JD-R模型中需求-资源交互的理论边界，并为组织在智能场景下合理引导人机协作、提升员工创新能力提供实践启示。
研究背景方面，生成式人工智能正在重塑知识工作模式，智能工具作为人机协作载体承担复杂认知任务。现有研究对人工智能在工作场所的影响存在分歧：部分学者指出人工智能赋能服务创新、提升幸福感与风险承担倾向，另一部分则强调高感知人工智能普及率会恶化工作态度并加剧负面情绪，团队层面还可能引发角色模糊与人际信任侵蚀。已有文献多关注人工智能使用（AI usage）与人工智能信任（AI trust），而对人工智能依赖（Dependence on AI, DAI）这一表征员工在信息检索与职责完成中对人工智能倚赖程度的构念关注不足，且少有研究打开其塑造创新行为的内部认知传导通路。在此背景下，研究人员依托JD-R模型，将DAI视为技术型工作资源，引入认知灵活性作为个人资源层中介变量，并纳入工作复杂性作为工作需求层调节变量，以揭示“资源增益路径被高需求抑制”的边界条件。
作者为开展研究采用的主要关键技术方法如下：研究人员于2024年12月至2025年2月通过Credamo平台对全职员工进行三时点问卷调查，T1测量人口学信息、DAI与工作复杂性，T2（六周后）测量认知灵活性，T3（再六周后）测量创新行为；经剔除无效问卷后获405份有效样本（有效率71.05%）。变量均采用成熟量表五点李克特计分，DAI用Tang等3题项（α=0.781），JC用Shaw和Gupta 3题项（α=0.821），CFI用Dennis和Vander Wal认知灵活性量表经中英回译并删减低载荷题项后17题（α=0.897），IB用Scott和Bruce 6题项（α=0.759）。统计上依次以AMOS 24.0做验证性因子分析（四因子模型χ2/df=1.899，RMSEA=0.047，CFI=0.915），SPSS 27.0做描述统计、相关与分层回归（最大VIF=3.48），PROCESS 4.1宏（Bootstrap 5000次）检中介与调节。
研究结果部分，各小节结论如下：
理论模型与假设推导：研究人员在JD-R框架下将DAI定为技术工作资源，提出DAI经认知灵活性增益路径正向影响创新行为，且工作复杂性作为高负荷需求削弱认知灵活性向行为转化的效率，形成“DAI→CFI→IB”被JC调节的中介模型。
假设检验结果显示，分层回归中DAI对IB正向显著（b=0.541, p<0.001）支持H1；DAI对CFI正向显著（b=0.409, p<0.001）支持H2；放入CFI后DAI系数降至0.351（p<0.001），Bootstrap中介效应0.105（95%CI=[0.066,0.155]）支持H3部分中介；CFI×JC交互项对IB负向显著（b=-0.258, p<0.001），简单斜率分析示高JC下斜率更小，PROCESS复核b=-0.41（95%CI=[-0.5665,-0.2137]），支持H4。
讨论部分研究人员指出，DAI作为技术资源通过拓宽信息面与多元视角激活认知灵活性增益路径，但高JC占用剩余认知资源，使灵活认知难转化为创新行动，从而补充了JD-R中“需求不仅被资源缓冲、亦可抑制资源效用”的边界。补充分析发现JC在“DAI→CFI”第一阶段调节边际显著且效应弱，不在主论域。理论贡献有三：将DAI（而非AI usage）引入职场AI研究；以CFI为认知机制中介填补信息/过程投入视角的空白；反转性验证JC作为需求抑制资源转化，细化JD-R交互边界。实践上建议组织引导适度DAI、培育CFI胜任力、按JC高低差异化配置AI依赖与配套研讨机制。局限在于自陈数据可能存在共同方法偏差（虽经三时点与时序布局缓解，Harman单因子29.4%可接受），未纳个体创新人格与组织文化多层边界，且结论源于中国情境需跨文化交流验证。
结论部分翻译总结：基于JD-R模型，研究人员以实证证据系统检视DAI如何通过CFI正向影响IB以及JC的调节角色。发现DAI作为技术工作资源经由CFI增益路径促进创新，JC负向调节CFI→IB使高复杂岗位认知优势转化受限。该结论为数字时代人机协作认知机制提供理论注脚，亦为AI时代人力资源管理落地提供经验依据。论文发表于《Behavioral Sciences》。
