《Frontiers in Artificial Intelligence》：Governing algorithms, empowering people: how ethical AI oversight shapes trust, technostress, and employee autonomy in AI-enabled HRM
编辑推荐：
**摘要**
引言：人工智能（AI）日益嵌入人力资源管理（HRM），但其对员工自主性的影响不仅取决于技术能力，还取决于算法系统的治理方式。本研究探讨了算法透明度、感知算法公平性以及人在回路监督如何通过AI信任、心理安全感与技术压力影响员工自主性。
方法：基
**摘要**
引言：人工智能（AI）日益嵌入人力资源管理（HRM），但其对员工自主性的影响不仅取决于技术能力，还取决于算法系统的治理方式。本研究探讨了算法透明度、感知算法公平性以及人在回路监督如何通过AI信任、心理安全感与技术压力影响员工自主性。
方法：基于社会交换理论（Social Exchange Theory）与资源保存理论（Conservation of Resources Theory），本研究利用来自印度290名在采用AI赋能HRM系统的组织中工作的员工的调查数据，检验了一个整合模型。采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）检验所假设的直接与中介关系。
结果：算法透明度、感知算法公平性和人在回路监督显著增强了员工对AI的信任。算法透明度还增强了心理安全感，而人在回路监督降低了技术压力。对AI的信任和心理安全感正向影响员工自主性，而技术压力负向影响自主性。信任在透明度、公平性、人工监督与员工自主性之间起中介作用。心理安全感在透明度与自主性之间起中介作用，而技术压力在人工监督与自主性之间起中介作用。
讨论：研究结果表明，AI赋能工作场所中的员工自主性是通过关系、心理和资源保存机制形成的。因此，负责任的AI赋能HRM不仅需要技术效率；透明的决策过程、公平保障、有意义的监督以及质疑算法决策的心理安全机会对于维护员工能动性至关重要。
**论文解读：伦理AI治理如何塑造AI赋能HRM中的员工自主性**
**一、研究背景与问题**
人工智能（AI）正深刻改变组织的人力资源管理（HRM）实践，包括招聘、绩效评估、工作排程、员工监控与发展决策。算法系统虽能提升效率与一致性，但也可能带来不透明、偏见、监督强化与责任模糊等伦理风险。员工自主性——即员工在工作中体验到的自主裁量、独立性与控制感——是这一变革中的核心结果变量。算法管理可能通过监控与标准化限制自主性，也可能通过信息支持与任务协调增强自主性，其效果取决于算法系统如何被设计和管理。然而，现有研究往往将透明度、公平性、信任、技术压力、心理安全感等概念分散在不同文献中，缺乏对治理机制如何通过心理过程共同影响自主性的整合考察。
为此，本研究聚焦三种伦理AI治理机制：算法透明度（algorithmic transparency）、感知算法公平性（perceived algorithmic fairness）与人在回路监督（human-in-the-loop oversight），并基于社会交换理论（Social Exchange Theory）与资源保存理论（Conservation of Resources Theory），检验它们通过AI信任（trust in AI）、心理安全感（psychological safety）与技术压力（technostress）三条路径对员工自主性的影响。该研究发表于《Frontiers in Artificial Intelligence》。
**二、研究方法与样本**
研究采用横断面定量设计，样本来自印度290名在采用AI赋能HRM系统的组织中工作的全职员工。参与者均具有算法支持的招聘、绩效管理、排程、监控或预测分析等HR流程的直接经验。所有构念通过改编自既有量表的23个条目进行测量，采用五点Likert量表。数据分析使用偏最小二乘结构方程模型（PLS-SEM），并通过5000次自助抽样检验假设的显著性与中介效应。此外，研究者还进行了共同方法偏差评估与多重共线性诊断。
**三、研究结果**
**3.1 测量模型评估**
测量模型评估显示，所有指标的外部载荷介于0.776至0.841之间，超过0.70的推荐阈值；组合信度（CR）介于0.835至0.872，Cronbach's α介于0.725至0.819，表明内部一致性良好。各构念的平均方差抽取量（AVE）介于0.627至0.672，均高于0.50，满足收敛效度要求。Fornell-Larcker准则确认了各构念间的判别效度。内部方差膨胀因子（VIF）介于1.69至2.87之间，远低于3.3的临界值，表明不存在多重共线性问题。
**3.2 结构模型评估与中介分析**
结构模型结果表明，算法透明度（β=0.312）、感知算法公平性（β=0.284）和人在回路监督（β=0.261）均显著正向影响员工对AI的信任，支持假设H1、H2和H3。算法透明度显著增强心理安全感（β=0.298），支持H4；人在回路监督显著降低技术压力（β=-0.243），支持H5。在结果变量方面，AI信任（β=0.389）与心理安全感（β=0.341）均正向影响员工自主性，而技术压力（β=-0.287）负向影响自主性，支持H6、H7和H8。
中介分析显示，AI信任部分中介了算法透明度、感知算法公平性、人在回路监督与员工自主性之间的关系；心理安全感部分中介了算法透明度与自主性之间的关系；技术压力则完全中介了人在回路监督与自主性之间的关系，支持假设H9a至H11。模型分别解释了AI信任41.2%、心理安全感34.1%、技术压力28.7%以及员工自主性49.8%的方差。所有Q
2值均大于零，表明模型具有良好的预测相关性。
**四、讨论与结论**
讨论部分指出，员工在AI赋能职场中的自主性并非仅由技术功能决定，而是通过关系性、心理性与资源保存机制形成。算法透明度是建立AI信任的最强治理因素，它减少了信息不对称；感知公平性体现了员工对程序与结果正当性的判断；人在回路监督则通过保留人类问责与干预可能，降低了员工对不可挑战的算法控制的焦虑。心理安全感使员工能够质疑、报告或挑战算法输出，而技术压力则会消耗员工行使自主判断所需的认知与情感资源。
本研究的理论贡献在于：第一，整合了分散的治理机制与心理过程，构建了解释AI赋能HRM影响自主性的综合框架；第二，识别了信任（关系路径）、心理安全感（人际风险路径）与技术压力（资源保存路径）三条互补的中介机制；第三，将社会交换理论与资源保存理论拓展至算法管理情境。实践上，组织应将透明度、公平性审查、有意义的人工监督以及心理安全文化建设作为AI治理的核心组成部分，而非仅仅追求技术效率。
研究结论原文翻译如下：本研究考察了算法透明度、感知算法公平性和人在回路监督如何通过AI信任、心理安全感与技术压力影响员工自主性。研究结果表明，当员工理解算法决策、认为其公平、能够获得负责任的人工判断，并感到可以安全地质疑系统输出时，伦理AI治理会增强自主性。对AI的信任和心理安全感增强了自主性，而技术压力则削弱了自主性。负责任的AI赋能HRM并非仅靠技术效率即可实现。组织必须设计和治理AI系统，以保留员工的话语权、自主判断权、心理安全感和有意义的人类问责。因此，伦理AI治理对于创建技术进步与员工自主性共存的数字工作场所至关重要。
