《Frontiers in Psychology》：Generative AI usage and employee innovation performance: the chain mediation mechanism of resource acquisition, integration, and activation
编辑推荐：
背景：生成式人工智能正在深刻重塑知识工作，然而人工智能使用与员工创新绩效之间的认知机制仍未得到充分探索。目标：整合资源保护理论（Conservation of Resources theory, COR）与认知评价理论（Cognitive Appraisal
背景：生成式人工智能正在深刻重塑知识工作，然而人工智能使用与员工创新绩效之间的认知机制仍未得到充分探索。目标：整合资源保护理论（Conservation of Resources theory, COR）与认知评价理论（Cognitive Appraisal Theory），本研究提出生成式人工智能使用通过一个三阶段部分序列中介路径与创新绩效相关联：资源获取（认知分化）、资源整合（认知精化）和资源激活（挑战评价），并考察工作压力对每个阶段的调节作用。方法：采用来自612名知识工作者的调查数据，使用结构方程建模（Structural Equation Modeling, SEM）和蒙特卡洛bootstrap方法进行分析。结果：（1）生成式人工智能使用与员工创新绩效正相关；（2）三阶段序列中介模型得到支持，间接效应占总效应的72.9%；（3）工作压力的调节作用呈现阶段依赖模式：在资源获取阶段不显著，但在资源整合和资源激活阶段显著增强中介效率。结论：本研究提出了一个链式中介框架，为人工智能赋能的认知转化提供了更一致的理论解释，并为组织从工具采纳转向认知赋能提供了具体的干预点。
生成式人工智能（Generative AI）正在深刻重塑知识工作方式，大语言模型可在数秒内检索信息、生成解决方案并提供多视角观点。然而，员工使用此类工具如何实际转化为创新绩效，以及这一关联何时增强或减弱，仍是悬而未决的问题。现有研究沿四条路径展开：将AI视为信息提供者与知识检索器、创意伙伴与解决方案生成器、流程促进者与任务重构者，以及双刃剑资源。尽管成果丰硕，但这些研究普遍将AI使用到创新绩效的认知路径视为直接管道或单步转移，未能阐明原始AI输出逐步转化为创新行为的中间阶段，作者称之为“转化问题”。此外，理论视角相对分离，工作压力这一普遍情境因素的阶段特异性作用也未得到系统检验。为填补这些空白，研究人员整合资源保护理论（Conservation of Resources theory, COR）与认知评价理论（Cognitive Appraisal Theory），提出三阶段链式中介模型：资源获取（认知分化）、资源整合（认知精化）与资源激活（挑战评价），并假设工作压力调节各阶段。
基于612名知识工作者的调查数据，研究人员运用结构方程模型（Structural Equation Modeling, SEM）和蒙特卡洛bootstrap方法，发现：生成式AI使用与员工创新绩效正相关；三阶段序列中介模型获得支持，间接效应占总效应的72.9%；工作压力调节呈阶段依赖模式，在资源获取阶段不显著，在整合与激活阶段显著增强中介效率。该研究发表于《Frontiers in Psychology》，提出链式中介框架，为AI赋能的认知转化提供更一致的理论解释，并为组织从工具采纳转向认知赋能提供具体干预点。
关键技术方法方面，研究人员通过问卷星平台收集数据，样本为具有至少3个月生成式AI使用经验的知识工作者，最终纳入612份有效问卷（有效回收率90.5%），以ICT行业、本科以上学历的26–35岁人群为主。采用验证性因子分析（Confirmatory Factor Analysis, CFA）检验六因子测量模型的拟合与区分效度；使用SEM检验路径系数；采用蒙特卡洛bootstrap（20,000次抽样）检验间接效应；通过Harman单因子检验和CFA差异法控制共同方法偏差；以标准化回归交互项检验工作压力的调节效应。
研究结果部分，首先，在“共同方法偏差”检验中，通过程序控制和统计检验排除了严重威胁。在“验证性因子分析”中，六因子模型拟合良好（CFI=0.910, TLI=0.904, RMSEA=0.047），优于所有替代模型，支持六个构念的区分效度。在“信度与效度”分析中，各量表Cronbach's α和组合信度（Composite Reliability, CR）均高于0.80；平均方差抽取量（Average Variance Extracted, AVE）部分略低于0.50，但结合Fornell-Larcker准则，收敛效度和区分效度可接受。在“描述性统计与相关分析”中，生成式AI使用与认知分化、认知精化、挑战评价及创新绩效均显著正相关。在“结构方程模型与假设检验”中，控制人口学变量后，所有直接路径均显著（H1、H2a-H2d支持），交叉路径也显著，为部分序列中介提供基础。在“间接效应与序列中介检验”中，蒙特卡洛bootstrap显示7条间接效应路径均显著；完整序列中介路径（AI使用→认知分化→认知精化→挑战评价→创新绩效）支持H2e；总间接效应占总效应72.9%。在“替代模型比较”中，理论模型（部分中介）优于严格序列链、并行中介和完全中介模型。在“调节效应分析”中，工作压力显著调节“AI使用→认知精化”和“AI使用→挑战评价”路径（H3b、H3c支持），但不调节“AI使用→认知分化”路径（H
