问题提出

服务机器人正在重塑一线服务岗位：机场机器人回答航班问询，酒店餐厅机器人迎宾带位。但已有研究大多站在消费者视角，或者只看机器人如何提升员工的效率与角色内绩效（岗位规定动作）；员工愿意额外为顾客多做的那部分——角色外行为（如顾客帮助行为）——几乎没有被纳入统一框架。机器人支持到底通过什么心理机制影响工作产出，也一直不清楚。

难点剖析

机器人支持是一种技术性、任务型资源，不同于上司反馈或同事协助这类人际支持：它未必通过社会交换直接触发行为，而是先要被员工内化为动机状态。资源本身不会自动变成行为——这正是 COR 理论强调的间接路径，也是实证设计上需要拉开时间间隔、区分直接与间接效应的原因。

理论脉络

资源保存理论（COR）：人致力于获取、保有和投入自己珍视的资源，资源盈余会形成增益螺旋。调节定向理论（Regulatory Focus）：促进定向的人追逐成长与收益，预防定向的人守着责任与安全。两者结合可以回答「同一种资源，为什么不同员工反应不同」。

理论模型

COR × 调节定向的整合模型（见 Figure 1 概念框架）：一线服务员工感知到的服务机器人支持（T1）作为任务型组织资源，通过提升工作投入（T2，活力/奉献/专注三维合成的动机状态），间接促进两类结果——角色内的工作绩效（T2）与角色外的顾客帮助行为（T2）。员工促进定向与预防定向（均为 T1）调节第一阶段路径：促进定向放大「机器人支持 → 工作投入」，预防定向削弱它。控制性别、年龄、司龄与正负性情绪。

研究假设

H1：服务机器人支持与 (a) 工作绩效、(b) 顾客帮助行为正相关。 H2：工作投入中介「机器人支持 → 工作绩效」。 H3：工作投入中介「机器人支持 → 顾客帮助行为」。 H4：促进定向强化「机器人支持 → 工作投入」的正向关联。 H5：预防定向削弱「机器人支持 → 工作投入」的正向关联。

分析策略

结构方程模型（Mplus 8.10），潜变量交互用 ALGORITHM=INTERACTION 估计；Bootstrap 5,000 次估计间接效应置信区间；量表用 item-to-construct balance 法打包以控制自由参数。

数据收集

2023 年 11 月 T1 测机器人支持、调节定向与控制变量；2024 年 1 月 T2 测工作投入、工作绩效与顾客帮助行为，两波间隔两个月（依据同类研究：工作资源约两个月后才作用于结果）。韩国在线样本库招募全职一线服务员工，筛选题确认「每天在服务接触点与顾客互动」「当前工作中使用服务机器人」且任职满一年。399 人受邀，300 人完成 T1，200 人完成两波，最终回应率 50.1%；多重 logistic 回归（bootstrap 5,000）检验流失偏差，人口学变量系数均不显著。

研究样本

200 名韩国一线服务员工：男性 52%，平均年龄 35.24 岁（SD=7.62），平均司龄 4.59 年；行业分布——零售 43.0%、餐饮 36.5%、航空/酒店 11.5%、银行/金融 9.0%；本科学历 79.0%。

测量工具

全部 5 点 Likert，经回译程序：服务机器人支持 6 题（改编自工具性支持量表，聚焦减负、任务执行与服务协调的功能性支持，经 5 位业界专家与 3 位学者评审）；调节定向 12 题（Wallace et al., 2009）；工作投入 UWES-9（活力/奉献/专注合成单一指数）；工作绩效 4 题（Williams & Anderson, 1991；Way et al., 2010）；顾客帮助行为 3 题（Yue et al., 2017，如「服务顾客时我会超越职责要求」）。

信效度检验

测量模型拟合良好：χ²(975)=1,515.44，CFI=.91，TLI=.90，RMSEA=.05，SRMR=.05；组合信度 .77–.98，AVE 满足 Fornell-Larcker 区分效度标准。共同方法偏差：Harman 单因子模型拟合显著更差（CFI=.53）；潜方法因子解释方差 26.7%，低于自报告数据的中位值 32%。稳健性检验：剔除控制变量后中介与调节效应方向不变、显著性不变。有调节的中介指数：促进定向放大至绩效 b=.346, 95% CI[.110, .849]、至帮助行为 b=.306, 95% CI[.109, .750]；预防定向削弱至绩效 b=−.257, 95% CI[−.757, −.043]、至帮助行为 b=−.227, 95% CI[−.652, −.041]。三阶交互（支持×促进×预防）不显著（b=−.04）。

假设检验

H1a/H1b：机器人支持 → 工作绩效 / 顾客帮助行为（直接效应） — 总效应 b=.055, 95% CI[−.106, .224]；b=.165, 95% CI[−.003, .368]，均跨零 → 不支持

H2：工作投入中介 → 工作绩效 — 间接效应 b=.094, 95% CI[.016, .212] → 支持（完全中介）

H3：工作投入中介 → 顾客帮助行为 — 间接效应 b=.083, 95% CI[.017, .193] → 支持（完全中介）

H4：促进定向强化「支持 → 投入」 — 交互 b=.79, p<.01；高促进组简单斜率 b=.88 显著为正、低促进组反转为负 b=−.71 → 支持

H5：预防定向削弱「支持 → 投入」 — 交互 b=−.59, p<.05；低预防组 b=.68 显著为正、高预防组反转为负 b=−.50 → 支持

研究结论

1. 机器人支持不直接提升绩效——它必须先转化为工作投入这一动机状态，才会变成角色内绩效与角色外帮助行为。资源在场 ≠ 行为改变。 2. 同样的机器人支持，对促进定向员工是「成长机会」，对预防定向员工只是「功能辅助」：前者效应更强，后者被削弱，甚至在高预防组出现负向简单斜率。 3. 管理启示：部署服务机器人别搞一刀切——先用问卷或行为观察评估员工的调节定向；促进型员工安排与机器人直接协作、强调创新机会；预防型员工安排结构化任务，沟通话术强调稳定性、合规与减少差错。

研究局限

① 只考察了机器人支持的积极面，未覆盖部分员工把它视为威胁的异质性评价；

② 机器人支持仅操作化为工具性/任务型支持，未含情感性、响应性维度；

③ 未考虑服务任务特征（情绪劳动强度等）的调节；

④ 未考虑拟人化外观、实体 vs 虚拟形态、信任与承诺等机器人设计属性；

⑤ 全部自报告数据，且样本仅来自韩国这一技术接受度高的单一国家；

⑥ 筛选题只确认至少一年机器人使用经验，未记录具体使用时长；

⑦ 未直接测量「资源评价」这一理论中介的底层过程。

未来展望

用质性设计追踪员工对机器人评价的动态变化；引入技术不安全感、矛盾技术评价等竞争框架；拆解机器人支持的情感/工具/响应维度；在情绪劳动强度不同的岗位间比较投入机制；跨文化复制并加入主管评分、顾客反馈等多源数据；把机器人使用时长作为控制变量；直接测量促进/预防定向背后的资源评价过程。

金句

“Resource availability alone may be insufficient to produce behavioral changes. Employees may first internalize conserved resources as a motivational state before they are translated to performance-related actions.” ——资源在手不等于行为改变：省下来的认知与注意力资源，要先变成「我愿意投入」的动机状态，才会兑现成绩单。这也是这项研究最反直觉的地方——机器人帮忙≠绩效变好，中间隔着员工的干劲。

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！