《Informatics》：Human-Centered AI Adoption in Knowledge Work: A PRISMA-ScR Scoping Review of Technostress, Trust, Autonomy, and Employee Well-Being
编辑推荐：
引言：人工智能（AI）正通过生成式AI、决策支持系统、算法管理以及AI驱动的组织信息系统，日益融入日常知识工作。这一发展引发了一个核心问题：AI何时支持员工，何时又成为技术压力、监视、不确定性和自主性降低的源头？目标：本PRISMA-ScR范围综述绘制了知识密
引言：人工智能（AI）正通过生成式AI、决策支持系统、算法管理以及AI驱动的组织信息系统，日益融入日常知识工作。这一发展引发了一个核心问题：AI何时支持员工，何时又成为技术压力、监视、不确定性和自主性降低的源头？目标：本PRISMA-ScR范围综述绘制了知识密集型工作中以人为本的AI采纳的证据，并考察了与技术压力、信任、自主性和员工福祉之间的联系。方法：研究人员采用人群-概念-情境（PCC）方法，纳入了同行评审期刊文章和会议论文，这些论文涉及知识工作环境中的AI采纳以及至少一项以人为本或与员工相关的结果。研究人员在Scopus、Web of Science核心合集、IEEE Xplore、ACM数字图书馆、ScienceDirect、PubMed/MEDLINE、商业来源完整版（Business Source Complete）和APA PsycINFO中搜索了可公开访问的数据库和公共元数据记录。搜索于2026年3月进行，并于2026年4月1日至15日进行了验证。结果：共纳入26篇文献，包括17篇期刊文章和9篇同行评审的会议/论文集。识别出五个证据集群：AI作为资源需求系统、信息系统属性、生成式AI工作重新设计、组织实施条件以及短期与长期员工结果。结论：知识工作中以人为本的AI采纳需要透明的系统设计、组织治理、员工参与和长期监测。本综述为可信赖、符合伦理治理且以福祉为导向的AI使用提供了一个商业信息学实施框架。
1. 引言
人工智能（AI）已日益嵌入知识工作的日常流程。在本综述中，知识工作被操作化定义为信息密集型、决策导向且数字中介的工作，员工在专业或组织情境中创造、解释、沟通和应用知识。在此类情境中，AI越来越多地中介信息的搜索、综合、转化决策以及转化为工作输出。这使得AI采纳不仅是技术部署的问题，更是信息系统如何改变判断、问责、任务边界和专业控制的问题。商业信息学对此至关重要，因为知识工作依赖于信息系统、组织规则和人类判断之间的交互。现有信息系统研究表明，技术使用受到感知有用性、易用性、组织嵌入、社会结构、用户期望以及系统功能与工作实践匹配度的影响。借助AI，这些关系变得更为关键：系统可以自动化、增强或重新配置知识任务，同时重新分配对信息、输出验证和问责的控制。在本综述中，以人为本的AI被定义为AI系统的设计、实施和治理，通过透明、可解释、公平、参与、可问责和适当监督的AI使用，保留有意义的人类控制和用户代理。这一视角有助于将技术系统设计与员工理解、挑战、依赖或纠正AI支持输出的条件联系起来。人机交互指南同样强调系统应传达其能力、局限、不确定性和用户纠正机会。关于自动化和信任的研究进一步表明，当自动化不透明、不可靠或与用户任务不匹配时，可能出现过度依赖、依赖不足和不信任。核心张力在于，同一AI系统可能被体验为赋能资源或数字需求。当系统能力与任务良好匹配时，AI可减少重复性认知工作、加速信息检索、强化决策支持和提高生产力。当实施治理不善或系统能力被误解时，AI可能反而导致技术压力、输出验证负担、监视压力、模糊性、对不透明输出的依赖、技能退化担忧以及持续再技能化压力。这种资源-需求张力随着生成式AI的扩散而更加明显。实验和实地证据表明，生成式AI能在特定知识工作任务中提高生产力和质量，但这些益处并非自动实现。现有综述表明，工作场所AI是一个广泛且快速发展的领域，涵盖了AI在组织、人力资源管理、生产力、自动化、增强、决策和员工结果方面的研究。但尚缺乏从商业信息学角度对知识工作中以人为本的AI采纳进行聚焦性综合，尤其是信息系统属性与技术压力、信任、自主性和员工福祉的联系。本综述由五个文献缺口引导：现有综述通常关注组织或工作场所结果而非特定知识工作；商业信息学与心理社会员工结果的整合有限；2022年后生成式AI工具（如ChatGPT、Copilot）进入组织情境，早期综述无法完全捕捉；组织条件（如培训、数字素养、参与、伦理规则）对减少负面AI影响的综合有限；大部分证据仍考察短期感知，而长期效应（如职业发展、专业身份、自主性、工作生活质量）尚未充分理解。本综述旨在绘制知识工作中以人为本的AI采纳的证据范围、性质和范围，并识别与商业信息学相关的研究缺口，聚焦于26篇纳入文献，由五个研究问题（RQ1-RQ5）引导。
2. 材料与方法
2.1. 综述设计、方案和报告标准
本范围综述按照PRISMA范围综述扩展（PRISMA-ScR）进行，并辅以PRISMA 2020流程图逻辑和乔安娜·布里格斯研究所（JBI）方法学指导。方案由两名研究人员预先制定，指定了人群-概念-情境（PCC）框架、资格标准、信息来源、搜索策略、筛选过程、数据提取变量和综合方法。PCC框架定义：人群为从事信息密集型、决策导向或数字中介工作的员工；概念为以人为本的AI采纳、实施或使用；情境为组织和专业知识工作环境，包括数字和混合工作场所。
2.2. 资格标准
纳入标准：研究考察AI在知识密集型工作环境中的采纳、实施或使用，并涉及至少一项以人为本或员工相关的结果；来源包括同行评审期刊文章和会议论文（含实证、概念、理论和设计导向）；时间范围为2021年至2026年4月，以捕捉后疫情数字和混合工作向生成式AI快速扩散的转型期。排除标准：缺乏明确AI成分、仅关注技术模型开发、未涉及知识工作或员工结果、非同行评审来源。先前综述被排除但用于背景和参考检查。
2.3. 信息来源和搜索日期
信息来源包括Scopus、Web of Science核心合集、IEEE Xplore、ACM数字图书馆、ScienceDirect、PubMed/MEDLINE、商业来源完整版和APA PsycINFO。由于无法从所有订阅数据库进行机构导出，本综述作为可公开访问数据库/公共元数据综述进行，搜索限于可公开访问的数据库页面、公共元数据记录、出版商页面、DOI页面和开放式访问全文或摘要记录。搜索过程分阶段进行：校准和试点搜索（2026年3月5-9日），主要数据库/公共元数据搜索（3月10-24日），反向参考检查和公共全文检索（3月25-30日），验证和更新搜索（4月1-15日），最终筛选日志锁定于4月18日。
2.4. 搜索策略
搜索词组织为三个概念块：(1) 人工智能、生成式AI、算法管理、智能自动化、AI采纳和AI实施；(2) 知识工作、员工、专业人员、工作场所和数字工作场所；(3) 技术压力、信任、自主性、福祉、工作不安全感、感知监视、算法公平及相关以人为本结果。具体数据库搜索策略见补充文件S1。
2.5. 筛选和选择过程
两名研究人员独立筛选标题和摘要/公共元数据，评估资格后获取全文，独立评估全文资格，通过讨论达成共识解决分歧。重复记录通过DOI、标题、作者和年份识别。选择过程以PRISMA-ScR流程图（图1）和筛选日志（补充文件S2）报告。
2.6. 数据提取和项目
两名研究人员开发标准化数据提取表，对五篇纳入文献进行试点，随后完善以捕获书目信息、数据库/来源证据、来源类型、研究设计或证据类型、AI应用、工作环境、人群、以人为本维度、员工结果、关键发现、报告风险、报告益处、组织因素和研究缺口。数据提取由一名研究人员执行，另一名验证。
2.7. 关键评估和结果综合
未将正式关键评估作为排除标准，但描述了证据类型和主要方法学局限。综合结合了描述性数值映射和主题综合，主题从研究问题演绎得出，并从提取的源特征归纳得出。
3. 结果
3.1. 证据来源选择
数据库/公共元数据搜索识别出98条来源记录，去除54条重复后，44条唯一记录被筛选，7条在标题/摘要筛选中排除，37篇报告被检索（2篇未检索），35篇接受资格评估（9篇排除），最终纳入26篇证据来源（图1）。语料库被认为是映射聚焦且近期证据领域的充分来源。
3.2. 纳入来源特征
纳入来源涵盖实证、概念和设计导向证据，包括17篇期刊文章和9篇同行评审会议/论文集。证据分布于信息系统、人机交互（HCI）、管理、职业福祉、医疗和行为科学领域。2021-2026年集中，生成式AI扩散后增长最强。表3总结了源特征，补充文件S4提供了源级证据分类，并映射结果子节至对应源ID和证据集群。
3.3. AI应用和知识工作环境
纳入来源考察了多种知识工作环境中的AI应用：生成式AI涉及写作、决策、数据导航、工作场所会议、IT工作和专业支持；算法管理和AI中介反馈与自主性、能力、监视、同意和工作场所尊严相关；软件开发和职场工具研究进一步考察了自主性、能力、相关性和福祉；医疗相关来源考察了医生和放射科医师的AI技术压力；组织研究关注AI采纳、工作满意度、工作不安全感、职业可持续性和员工福祉。数值映射显示福祉、技术压力和信任相关结果领域最强，而生成式AI工作重新设计和长期治理密度较低。
3.4. 员工相关结果
技术压力是最突出的员工相关构念，出现在9篇文献中，常与AI采纳意向、工作不安全感、情感反应、自我效能和生活质量相关。信任、透明度、可解释性或感知控制出现在8篇文献中，既是AI接受的前提，也是系统设计的结果。自主性、同意或监视出现在6篇文献中，主要来自算法管理、AI中介工作、软件开发工具和以人为本的AI设计研究。员工福祉及相关结果（包括工作满意度、身体健康、工作-生活平衡、生活质量和职业可持续性）出现在11篇文献中。这些模式表明证据基础具有实质相关性，但结果领域过于多样，无法进行定量合并。
3.5. 以人为本和组织设计因素
综合表明，AI在知识工作中的采纳应被理解为社会技术过程。技术特征（如可解释性、可用性、透明度、可靠性和数据质量）与组织因素（如领导力、培训、政策、参与、治理和沟通）相互作用。这些条件塑造了AI是被体验为支持知识工作的资源，还是强化控制、不确定性和认知负担的需求。
4. 讨论
在分别回应每个研究问题之前，五个证据集群应被视为一个整合结构：AI作为资源需求系统、信息系统属性、生成式AI工作重新设计、组织实施条件以及短期与长期员工结果，共同捕捉了当前文献将AI驱动系统与知识工作实践和员工体验连接的主要方式。
4.1. 知识工作中AI采纳既作为资源也作为需求
RQ1考察AI在知识工作中的采纳如何被概念化为资源、需求或两者兼备。26篇纳入文献支持双重解释。资源方面：AI被框架为增强信息处理、决策、数据导航、会议反馈、专业支持和员工绩效的工具。需求方面：同一证据表明AI可强化技术压力、工作不安全感、不确定性、监视和感知控制丧失。AI在知识工作中既非固有有益也非有害，其影响取决于系统设计、任务环境、组织治理和员工能力之间的交互。
4.2. 信息系统属性与员工体验
RQ2考察哪些商业信息学系统属性与技术压力、信任、自主性和员工福祉相关。纳入文献显示，员工体验受到系统级属性（如透明度、可解释性、用户控制、负责任AI信号、人在环设计、反馈设计和算法控制程度）的影响。不透明性、自动化压力和模糊问责可导致AI特定技术压力。信息系统属性通过信任、感知控制、透明度、可解释性和公平性影响员工结果，这些应被视为核心商业信息学变量。
4.3. 生成式AI与知识工作重塑
RQ3聚焦生成式AI工具如何重塑知识工作。生成式AI进入知识工作的认知核心（写作、总结、编程、数据导航、决策支持、沟通、反馈解释和输出生产），将员工角色从直接生产者转变为评估者、编辑者、验证者和负责任的AI输出用户。生成式AI可减少常规认知任务，但增加准确性、偏见、适当性和专业责任检查的负担。生产力收益和心理社会风险紧密相连。
4.4. 以福祉为导向的AI采纳的组织条件
RQ4考察可能减轻负面结果并支持以福祉为导向的AI采纳的组织实施条件。以人为本的实施不能仅通过技术部署实现，需要领导支持、透明沟通、参与、AI素养、培训、心理安全、同意、治理和监视限制等条件。辅导型领导力可缓冲AI转型中的工作压力，AI素养与工作-生活平衡相关。实施需同时解决技能和权力关系，以福祉为导向的AI采纳需要社会技术实施模型。
4.5. 短期与长期员工结果
RQ5考虑报告了哪些短期和长期效应（职业发展、专业身份、自主性、工作生活质量、可持续就业能力）。纳入文献对短期感知和近端结果（技术压力、采纳意向、情感反应、工作不安全感、工作满意度、工作-生活平衡、感知绩效、身体健康、生活质量）提供了更强证据，而对长期轨迹（职业可持续性、专业发展压力、技能需求、可替代性）的证据有限。当前证据主要记录短期和横截面结果，长期效应研究不足。
4.6. 局限性
本综述依赖可公开访问的数据库页面和公共元数据而非机构订阅导出，可能影响完整性和可复制性；仅纳入英语文献；领域快速扩展；未将正式关键评估作为排除标准；纳入文献在设计、术语、人群和结果测量上异质性高，无法得出因果结论。
4.7. 研究缺口与未来方向
核心研究缺口是确定在何种技术、组织和人类条件下AI作为资源或压力源。RQs回答了缺口：RQ1建立双重性，RQ2指定系统属性，RQ3显示生成式AI强化问题，RQ4识别组织条件，RQ5显示短期证据更强。这些发现通过连接知识工作环境、系统设计、生成式AI使用、组织实施和员工结果，缩小了缺口。
4.8. 商业信息学实施框架与实践实施含义
综合26篇文献表明，以人为本的AI采纳应操作化为阶段化社会技术商业信息学实施框架，涉及系统设计、任务重新设计、治理安排和长期员工结果。第一步：识别资源与需求区域；第二步：定义以人为本的设计要求；第三步：指定生成式AI使用与验证规则；第四步：建立组织治理保障；第五步：随时间监测员工结果。图2总结了这一实施逻辑，将五个研究缺口转化为实践可操作步骤。
5. 结论
本范围综述将知识工作中以人为本的AI采纳定位为商业信息学问题，而非仅技术或管理趋势。AI既是潜在资源也是潜在需求，其后果取决于系统属性、任务环境、组织实施和员工能力之间的对齐。五个研究问题展示了如何解决和缩小五个缺口。提出的商业信息学实施框架将发现转化为五个实践领域：战略框架、以人为本的系统设计、生成式AI工作重新设计、组织治理和长期监测。实践上，AI不应仅作为效率工具实施，需结合社会技术治理。未来研究应考察何时、如何以及为谁AI成为资源或压力源，需要纵向、日记式和职业特异性研究。本结论应被解释为具有实施导向议程的结构化范围综合。
