往期理论版阅读
更多
领导前沿
领导正念如何破解人工智能悖论促进工作繁荣/史 青 张雪洁
来源:领导科学
作者:史 青 张雪洁
日期:2025-09-30 10:46:16
dquo;。在本研究中,Cronbach’s α=0.868。
领导正念:采用张静等开发的量表[24],涵盖专注于当下、以开放和非评判性的态度接纳体验,以及保持冷静、避免冲动3个主要维度,共包含9个测量题目,例如“当我说话时,我的上司会全神贯注”。在本研究中,Cronbach’s α=0.927。
控制变量:本研究将性别、年龄、学历、工作年限和行业类型纳入控制变量,主要原因如下:性别、年龄、学历和工作年限与员工行为和心理状态存在一定的相关性,行业类型会影响员工对人工智能技术的感知。
四、数据分析与假设检验
(一)共同方法偏差检验
在本项研究中,所有数据均来源于员工的自我评估,这可能导致共同方法偏差的问题。为此,本研究采用Harman单因素检验方法进行检验,分析结果显示,在未进行因子旋转的情况下,共有5个特征根值大于1的因子,其中第一个因子解释的变异量为26.578%(<40%),故共同方法偏差对本研究结果并未造成太大影响。
(二)信效度检验
如表1所示,所有测量项的标准化因子载荷均超过0.6,人工智能技术应用、职业倦怠、职业自我效能和工作繁荣的组合信度(CR)值均高于0.7,各个变量的Cronbach’s a系数也都超过了0.7,而且平均方差提取量(AVE)均超过了0.5。这些指标显示5个研究变量都具有较高的信度和收敛效度。
为评估本研究变量的构念区分性,本研究运用Mplus8.3对人工智能技术应用、职业自我效能、职业倦怠、领导正念和工作繁荣进行验证性因子分析,分析结果详见表2。分析结果表明,五因子模型的拟合效果较好(χ2/df=2.325,RMSEA=0.052,CFI=0.909,TLI=0.904,SRMR=0.046),并且该模型的拟合度优于其他模型。这表明这些变量之间具有较好的区分效度。
(三)描述性统计与相关分析
表3为描述性统计与相关性分析的结果。分析结果显示:人工智能技术应用与职业倦怠(r=0.194,p<0.01)、职业自我效能(r=0.297,p<0.01)均正相关,职业倦怠与工作繁荣负相关(r=-0.160,p<0.01),职业自我效能与工作繁荣正相关(r=0.230,p<0.01)。上述结论与理论预期相一致,为后续验证研究假设奠定了坚实的基础。
(四)假设检验
1.中介效应检验
本研究通过SPSS26.0进行层次回归分析,验证职业倦怠和职业自我效能的中介效应。层级回归结果如表4所示。表4中的模型2和模型4显示,人工智能技术应用对职业倦怠(β=0.198,p<0.001)、职业自我效能(β=0.268,p<0.001)均产生显著的正向影响;模型6显示,职业倦怠对工作繁荣有显著负向影响(β=-0.254,p<0.001),职业自我效能对工作繁荣有显著正向影响(β=0.328,p<0.001)。
进一步的中介效应分析如表5显示:人工智能技术应用通过职业倦怠和职业自我效能影响工作繁荣的效应值分别是-0.0504和0.0879,95%的置信区间分别为[-0.0853,-0.0205]和[0.0464,0.1397],均不包含0。由此,假设H1a、H1b、H2a、H2b得到支持。
2.调节效应检验
本研究通过将中心化处理后的职业倦怠和职业自我效能与领导正念相乘,构建交互项,并运用层级回归分析进行考察。如表4模型8所示,职业倦怠与领导正念的交互项对工作繁荣有显著的预测作用(β=0 |