我是@扣子，视频号：扣子说AI，主要关注「AI工具｜科研学术 | 博士生活 | 网络创业｜自我提升」，利用AI工具提升科研效率和自我成长，每天必须读两篇论文才能睡得着，这是我在公众号发布的第【293】篇原创内容。
这篇文章探讨了组织人工智能（AI）采用如何通过心理机制影响员工的建言行为（voice behavior），并考察了工作投入（job engagement）和领导-成员交换（LMX）质量在其中的作用。
研究背景
研究问题：这篇文章探讨了组织中人工智能（AI）采用如何通过心理机制影响员工的建言行为。具体来说，研究了工作投入（job engagement）作为中介变量和领导-成员交换（LMX）质量作为调节变量在这一关系中的作用。
研究难点：如何解释AI采用对员工自发行为（如建言行为）的影响，以及如何识别和量化这些影响的关键心理和关系因素。
相关工作：现有工作主要集中在AI采用的生产力、就业影响和人与AI的合作等方面，但缺乏对员工自发行为的系统研究。大多数研究将员工视为技术变革的被动接受者，而不是积极参与者。
研究方法
这篇论文提出了基于资源保存理论（Conservation of Resources, COR）的解释框架，用于解决AI采用如何影响员工建言行为的问题。具体来说， 资源保存理论：个体有动机获取、维持和保护资源，这些资源可以是对象、个人特征、条件或能量，对个体的福祉有贡献。资源通过“资源车队”（resource caravans）和“资源通道”（resource passageways）积累和流动。 假设提出：
H1：组织AI采用与工作投入正相关。
H2：工作投入与建言行为正相关。
H3：工作投入中介了组织AI采用与建言行为之间的关系。
H4：LMX质量调节了组织AI采用与工作投入之间的关系，高质量LMX关系增强了这种关系。
H5：LMX质量调节了组织AI采用通过工作投入对建言行为的间接效应，高质量LMX关系使得这种间接效应更强。
实验设计
数据收集：研究采用了三波时间滞后设计，收集了来自韩国各种行业327名员工的数据。数据在六个星期的时间间隔内收集三次：第一次测量组织AI采用和LMX，第二次测量工作投入，第三次测量建言行为。
样本选择：初始样本为852名全职员工，经过注意力检查和数据质量评估后，最终分析样本为491名员工，保持了57.6%的保留率和93.5%的匹配率。
测量工具：使用五点评分法对各个变量进行测量，包括组织AI投资、LMX、工作投入和建言行为。
数据分析：采用顺序回归分析测试研究假设，并使用偏差校正的自助法进行10000次重采样分析间接效应。
结果与分析
描述性统计：结果显示，组织AI采用与工作投入（r=0.36, p<0.01）和建言行为（r=0.17, p<0.01）显著正相关。
假设检验： H1：组织AI采用与工作投入正相关（β=0.36, p<0.01），支持假设。
H2：工作投入与建言行为正相关（β=0.37, p<0.01），支持假设。
H3：工作投入中介了组织AI采用与建言行为之间的关系，间接效应为0.13（SE=0.03, 95% CI[0.08, 0.19]），支持部分中介假设。
H4：LMX质量调节了组织AI采用与工作投入之间的关系，高质量LMX关系增强了这种关系（β=0.46, p<0.01），低质量LMX关系则没有显著影响。
H5：LMX质量调节了组织AI采用通过工作投入对建言行为的间接效应，高质量LMX关系使得间接效应更强（间接效应=0.17, SE=0.03, 95% CI[0.11,0.24]），低质量LMX关系则不显著。
总体结论
这项研究揭示了组织AI采用如何通过工作投入影响员工建言行为，且这一关系受到LMX质量的调节。研究发现，高质量的LMX关系能够增强AI采用对员工工作投入和建言行为的积极影响。这一发现强调了在AI技术实施过程中，领导关系的重要性，表明仅靠技术基础设施是不够的，还需要强大的领导支持来帮助员工有效地利用这些技术。
Purpose – This study explores how organizational artificial intelligence (AI) adoption influences employee voice behavior through psychological mechanisms. Drawing on conservation of resources theory, we investigate job engagement as a mediator and leader-member exchange (LMX) quality as a moderator in this relationship.
Design/methodology/approach – We employed a 3-wave time-lagged design with 327 employees from South Korean organizations. Data were collected at six-week intervals: organizational AI adoption and LMX (T1), job engagement (T2) and voice behavior (T3). Moderated mediation analysis tested our hypothesized model. Findings – Organizational AI adoption positively relates to voice behavior through enhanced job engagement. This indirect effect is strengthened by high-quality LMX relationships. Employees experiencing high LMX show stronger positive relationships between AI adoption and job engagement, subsequently exhibiting more voice behavior. The moderated mediation index confirms that LMX quality significantly influences how AI adoption affects voice behavior through engagement.
Originality/value – This study advances understanding of AI’shuman-side implications beyond productivity metrics. By revealing how technological and relational resources interact to influence discretionary behaviors, we contribute to literature on technology adoption, employee engagement and leadership. The findings demonstrate that AI adoption can enhance rather than diminish employee voice when supported by appropriate leadership relationships.
DOI: 10.1108/LODJ-03-2025-0230
生成式人工智能对高校教师教学创新行为的双刃效应——效能感-压力与认知重构的作用
你能识别人工智能的建议吗？人、机器或两者：财务建议的比较实验研究
人机协作任务复杂性如何影响员工的工作投入度？谦逊领导力和人工智能自我效能的作用
生成式人工智能对设计学生创造性认知的影响：自我效能感和焦虑的链式中介模型
典型科研场景下生成式人工智能使用的差异性分析——学科背景与人工智能素养的影响
生成式人工智能环境下用户学习型搜索行为及效果研究——基于认知风格和任务类型
生成式人工智能如何赋能学生学习：基于大学生自我调节学习行为的实证研究
欢迎关注我的视频号
（❤️会不定期更新AI工具哦❤️）
