《Frontiers in Psychology》：Career adaptability under AI-related employment pressure: a multi-method study of relational structure and configurational pathways
编辑推荐：
目的：本研究考察在人工智能相关就业压力下，处于学校向工作过渡阶段的大学毕业生职业适应性的影响因素、关系结构及探索性组态关联。方法：本研究主要基于社会认知职业理论（Social Cognitive Career Theory, SCCT），并以职业建构理论（Ca
目的：本研究考察在人工智能相关就业压力下，处于学校向工作过渡阶段的大学毕业生职业适应性的影响因素、关系结构及探索性组态关联。方法：本研究主要基于社会认知职业理论（Social Cognitive Career Theory, SCCT），并以职业建构理论（Career Construction Theory, CCT）为补充，采用来自564名中国大学生的问卷数据，整合了结构方程模型（Structural Equation Modeling, SEM）、中介分析、多组分析、必要条件分析（Necessary Condition Analysis, NCA）和模糊集定性比较分析（fuzzy-set Qualitative Comparative Analysis, fsQCA）。结果：职业适应性与多维认知、行为和情境因素直接相关，亦通过涉及结果预期和目标再投入意愿的间接路径产生关联。然而，序列间接效应总体较弱，表明职业适应性并非主要经由单一的"认知—行动"顺序路径加以解释。整体关系结构在本科生和研究生群体间大体稳定，仅少数路径的强度存在差异。必要条件分析未识别出具有实质性实践效果的单一必要条件，而探索性组态分析识别出多种与较高职业适应性相关的条件组合，提示不同资源之间存在替代与补偿关系。人工智能威胁感知并非仅与较差的适应状态相关；在特定条件组合下，其可与较高的职业适应性并存。结论：在人工智能塑造的就业情境中，职业适应性并非由单一因素决定；它表征了一种复杂的适应性结构，与多种认知、行为和情境资源共同关联。通过将社会认知职业理论所提供的职业认知与行动之关联的解释，与职业建构理论所提供的适应多重资源视角相结合，本研究推进了在人工智能相关压力与协作机会并存情境下对职业适应性的理解。研究结果表明，高校职业教育和就业支持不应局限于单一技能的培养，而应整合能力信念、职业判断、技术相关实践、目标调整和外部支持，为具有不同资源特征的学生提供多元化的职业准备路径。
人工智能就业压力下职业适应性的关系结构与组态路径——基于多重方法的研究解读
一、研究背景与问题提出
随着人工智能技术持续渗透劳动力市场，就业结构正在经历深刻变革。自动化驱动的岗位重组、技能要求的改变以及职业边界的重构，使得大学生面临日益复杂的职业决策环境。在中国，高校毕业生人数持续增长、就业竞争保持激烈的背景下，人工智能进一步重塑了学生对职业机会、能力要求和未来发展方向的认识。在此情境下考察大学生的职业适应性，对于理解技术变革中的职业准备与发展具有重要意义。
既有研究主要在劳动力市场结构、职业认知和个体行为层面考察了人工智能的就业影响，覆盖一般劳动者、组织员工、大学生及整体劳动力市场。相较而言，处于学校向工作过渡阶段的大学生受到的关注相对有限。这一群体虽尚未建立稳定的职业角色，却已面临技能更新、职业选择和就业准备等现实任务，其职业适应性主要表现为对未来职业环境的判断、准备状态和行动倾向，具有区别于在职群体的阶段特殊性。
与此同时，文献呈现两种互补但相对分离的解释路径：一种强调技术威胁的后果，包括岗位替代、技能贬值和就业焦虑；另一种日益关注人—人工智能协作、能力增强和新兴职业机会的发展价值。这两种路径分别揭示了人工智能的压力性与协作性特征，但尚未形成统一的职业发展解释框架来说明两种属性如何共同影响个体的职业判断，以及能力信念、技术相关感知、实际投入和外部支持如何与职业适应性相关联。特别是当工作与技能变化降低了既有职业目标的可行性时，个体能否调整努力方向并保持投入，这一问题尚未充分纳入人工智能与就业的研究视野。
此外，较高的职业适应性未必对应单一的条件组合。已有研究发现，人力资本、社会资本和心理资本可以多种方式组合从而与较高职业适应性相关联，某一资本的不足可由另一种资本加以补偿。部分个体可能主要依赖较强的能力信念和积极的发展预期，而另一些个体可能在高风险感知条件下通过技术投入、目标调整或外部支持保持职业准备。方法论上，平均净效应分析主要考察单个变量的独立贡献，难以揭示多条件联合运作、殊途同归或条件间的替代与补偿关系，也无法直接判断某一因素是否构成结果出现所不可或缺的必要条件。
据此，本研究以社会认知职业理论的职业自我管理模型为主要框架，解释能力信念、情境条件、结果预期与职业相关行动之间的关联；同时借鉴职业建构理论界定职业适应性及其作为应对职业变化之资源的属性。研究试图在三方面推进文献：第一，将人工智能与就业的研究从分别关注技术威胁或协作机会，拓展至二者并存情境下的职业适应问题，聚焦于处于或即将进入学校向工作过渡阶段的高年级本科生和研究生；第二，在社会认知职业理论框架内，区分以结果预期为代表的认知评价与以目标再投入意愿为代表的行动调节，将既有职业目标受阻后的方向调整纳入人工智能就业情境，细化职业认知与行动调节之间的关联；第三，通过整合结构方程模型、多组分析、必要条件分析和模糊集定性比较分析，分别考察平均关联、教育阶段差异、单个条件的必要性约束以及多条件组合，弥补单一线性分析在解释职业适应性多样化路径方面的局限。
基于上述分析，本研究提出两个核心研究问题：其一，在人工智能相关就业压力下，哪些情境、认知和行为因素与处于学校向工作过渡阶段大学生的职业适应性显著相关？其二，这些因素是否通过多种条件组合与较高的职业适应性相关联？
二、研究设计与技术方法
研究以社会认知职业理论为基本框架，以职业建构理论的职业适应性定义为核心结果变量的理论依据，构建了涵盖前因变量、结果预期、目标再投入意愿和职业适应性的研究模型。五个前因变量分别为人工智能自我效能感、人工智能威胁感知、感知人—人工智能协作、人工智能使用投入和感知就业支持，其中结果预期代表认知评价，目标再投入意愿代表行动调节。
研究对象为中国大学生，聚焦于三、四年级本科生和研究生（含硕士与博士）。研究人员通过网络问卷平台于2026年3月20日至4月18日采集数据，通过高校就业指导中心与辅导员转发、院校社交媒体群组发布及滚雪球推荐三种渠道发放问卷，覆盖中国东、北、南、中部及西部地区多所综合类、师范类、理工类高校，涉及理工、人文社科、经管法等多个学科类别。纳入标准包括：为中国高校在读本科生或研究生且覆盖高年级本科生和研究生、具有人工智能工具使用经验、完成问卷并通过质量检查。质量监控包括注意力测试题、剔除完成时间低于120秒的问卷、逻辑一致性核查和重复IP筛除。预测试于2026年3月上旬进行，共有45名三、四年级本科生和研究生参加，用于评估题项可理解性和量表信度。主调查共回收628份问卷，经筛选后保留有效问卷564份。
测量工具为自陈式问卷，均采用五级李克特量表，最终保留8个潜变量共33个测量题项。各变量题项主要改编自既有文献中的理论框架和测量工具，涉及英文来源的量表均采用翻译—回翻译程序生成中文版本。题项筛选过程中，根据验证性因子分析结果删除标准因子载荷低于0.60的4个题项，模型拟合在删除后有所改善。
数据分析方面，研究方法整合了结构方程模型用于考察变量间的平均关联和统计中介路径；多组分析在检验测量不变性的基础上比较本科生与研究生群体间的路径差异；必要条件分析检验单个条件是否为较高水平的职业适应性构成必要性约束；模糊集定性比较分析作为探索性组态方法，识别与较高职业适应性相关联的多种条件组合。数据使用SPSS 26.0、Amos 24.0、R 4.5.3（含NCA 5.0.0包）以及fsQCA 3.0进行分析。
三、研究结果
3.1 结构方程模型分析
结构方程模型整体拟合良好（χ2/df＝1.953，RMSEA＝0.041，GFI＝0.911，CFI＝0.959，TLI＝0.954）。除人工智能威胁感知对目标再投入意愿的路径不显著外（β＝0.080，p＝0.132），其余17条路径均为统计显著。五个前因变量均显著关联于结果预期和职业适应性；除人工智能威胁感知以外的四个前因均显著关联于目标再投入意愿；结果预期显著关联于目标再投入意愿（β＝0.181，p＝0.002）和职业适应性（β＝0.207，p<0.001）；目标再投入意愿亦显著关联于职业适应性（β＝0.149，p＝0.002）。结果表明多维因素并非仅通过直接关系与职业适应性相关联，而是形成了同时涉及认知评价与行动调节变量的关系结构。
3.2 中介效应分析
基于5000次自助抽样检验间接效应。人工智能自我效能感通过结果预期、目标再投入意愿及二者序列路径的间接效应分别为0.046、0.024和0.006，95%置信区间均不包含零。人工智能威胁感知通过结果预期和序列路径的间接效应分别为0.051和0.007，但通过目标再投入意愿的间接效应为0.013（95%CI[?0.003, 0.047]），未达显著水平。感知人—人工智能协作、人工智能使用投入和感知就业支持通过结果预期和目标再投入意愿的间接效应均显著，但序列间接效应仅介于0.003至0.006之间，相对较弱。结果预期和目标再投入意愿在前因与职业适应性之间展现出强度不等的统计间接关联，经由单个中介的间接效应较为明显，序列间接效应总体偏弱。
3.3 多组分析
测量不变性检验依次支持本科组与研究生组的组态不变性、度量不变性和标量不变性。路径差异检验表明，多数结构路径在两组间无显著差异，说明模型关系在不同教育阶段的学生群体中总体一致。仅两条路径存在显著组间差异：人工智能自我效能感→结果预期（z＝1.996）和感知人—人工智能协作→目标再投入意愿（z＝2.422），两项系数均在研究生组中更高。
3.4 必要条件分析
必要条件分析的效应量介于0.011至0.063之间，均属于小效应。感知就业支持、结果预期和目标再投入意愿在两种天花板方法下均达统计显著；人工智能威胁感知在CE-FDH下边缘显著，在CR-FDH下显著；感知人—人工智能协作和人工智能使用投入的显著性随方法不同而变化；人工智能自我效能感在两种方法下均不显著。尽管目标再投入意愿的相对效应量最大，但仍低于0.10。瓶颈分析显示，在职业适应性水平80%及以下时，多数条件无明显最低要求；在90%水平时全部七个条件开始出现最低要求，目标再投入意愿以19.6%居首；在100%水平时，目标再投入意愿的瓶颈水平升至69.2%，明显高于其他条件。总体而言，未识别出具有实质性实践效果且在两种天花板方法下均保持稳定的单一必要条件。
3.5 模糊集定性比较分析
基于90%、50%和10%百分位数进行直接校准，案例频率阈值为3，最低充分一致性阈值为0.80，PRI阈值为0.75。必要性检验中，所有前因条件及其否定的均一致性均低于0.90，与必要条件分析结果一致。中间解识别出23种组态，研究人员选取其中6个具有代表性的组态呈现。六个代表性组态的一致性介于0.871至0.916之间，总体解覆盖度为0.799，总体解一致性为0.761。研究识别出几类典型组态：以人工智能威胁感知和目标再投入意愿为核心条件的风险相关组态；以人工智能自我效能感和结果预期为核心条件的认知主导型组态；以人工智能威胁感知和人工智能使用投入为核心条件的投入相关补偿型组态。稳健性检验将一致性标准从0.80提高至0.90后，中间解组态数从23降至16，总体覆盖度从0.799降至0.759，总体一致性从0.761升至0.788，主要涉及人工智能威胁感知、人工智能使用投入和目标再投入意愿的组态得以保留，仅部分边缘组态被排除。研究结果支持主要组态关联的探索性价值，但不宜视为已确认的充分路径。
四、讨论与结论
在认知层面，人工智能自我效能感、人工智能威胁感知、感知人—人工智能协作、人工智能使用投入和感知就业支持均显著关联于结果预期，这与社会认知职业理论关于认知评价先于行为的命题及期望—价值理论的基本观点相一致，表明个体倾向于从能力、环境和资源的多维信息中形成对未来职业发展的整体判断。在行动层面，结果预期和目标再投入意愿均与职业适应性显著相关，说明认知评价与行动调节在解释职业适应性方面均具有重要作用。人工智能威胁感知在模型中扮演了差异化角色：其显著关联于结果预期和职业适应性，但与目标再投入意愿的关联并不显著。这一发现提示，风险感知未必对应于目标调整意愿，在竞争性就业环境中，就业风险感知可能与前瞻性规划或能力发展等适应性准备动机共存。
多组分析显示，职业适应性的整体关系结构在本科生与研究生之间大体一致，仅少数路径强度存在差异，涉及人工智能自我效能感对结果预期的关联强度以及感知人—人工智能协作对目标再投入意愿的关联强度在研究生中更高。这些差异应视为描述性发现而非确定结论。
必要条件分析和组态分析的结果进一步表明，较高水平的职业适应性并不依赖于具有实质效应的单一必要条件。人工智能相关的不确定性并非仅与较差的适应状态相关联；在特定条件组合下，风险感知可与较高职业适应性共存。认知主导型、风险相关型和投入相关补偿型等不同组态提示不同资源之间存在替代与补偿关系。
本研究的理论贡献在于将社会认知职业理论置于人工智能兼具替代性与协作性的就业环境中，拓展了该理论在复杂技术情境下的解释力；同时区分了职业适应中的认知评价与行动调节，细化了社会认知职业理论对职业认知与行动关系的阐述，并延伸了职业建构理论关于职业适应性依赖于多种心理社会资源配置的观点。实践层面，高校职业指导应为认知评价和行动调节提供协同支持，根据教育阶段调整支持重点，并提供涵盖实践机会、过程反馈和目标调整支持的多元化职业准备路径。
本研究的局限包括：横断面设计无法确立变量间的时序关系；便利抽样限制了结果的推广性；研究生样本相对较小且各组规模不均衡；研究主要从大学生个体视角考察职业适应性，未纳入雇主评价；组态发现的总体解一致性相对有限。未来研究可采用纵向或多波设计、更大更均衡的样本、引入岗位要求和组织情境数据，并使用独立样本和替代校准设置检验组态的稳定性。
研究结论表明，对于处于学校向工作过渡阶段的个体而言，人工智能既非单纯的就业威胁，亦非纯粹的发展机遇。其与职业发展的关联密切取决于个体对技术风险、自身能力、人—人工智能协作可能性、实际使用经验和外部支持的综合评价。理解人工智能对职业发展的影响，需要超越促进与阻碍的二元判断，考察个体如何在压力与机会并存的环境中形成职业判断和适应性准备。相似的技术变革和就业压力可能与不同的职业适应模式相关联。在人工智能持续改变岗位结构、技能要求和职业边界的进程中，职业适应的关键不在于消除不确定性，而在于理解个体如何通过不同的资源结构来应对不确定性。
