这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

人工智能在工作场所的应用如何影响人类压力？一项基于社交媒体文本挖掘的研究

作者及机构
本研究由Florian Klonek（澳大利亚迪肯大学迪肯商学院）和Sharon Parker（澳大利亚科廷大学科廷商学院未来工作研究所变革性工作设计中心）合作完成，发表于2025年的*Journal of Organizational Behavior*期刊。

学术背景
随着人工智能（AI）在工作场所的广泛应用，员工的心理健康问题日益突出。然而，现有研究对AI如何影响人类压力的机制尚未达成共识。部分研究表明AI能提升工作效率和幸福感（如Jia et al., 2024），而另一些研究则指出AI可能导致压力增加（如Tang et al., 2023）。这种矛盾可能源于以往研究未区分AI的两个关键设计维度：AI控制（AI control）（即AI对决策的自主权）和人-AI团队协作（human-AI team processes）（即人类与AI的协作方式）。

本研究基于自动化-增强理论（automation-augmentation perspective）和团队协作模型，提出以下核心假设：
1. AI控制会削弱人类自主性，从而增加压力；
2. 人-AI团队协作（包括过渡、行动和人际三类子过程）能帮助实现目标，降低压力；
3. 人-AI团队协作可作为社会资源，缓冲AI控制对压力的负面影响。

研究流程与方法
1. 数据采集与预处理
- 数据来源：从Twitter平台爬取2023年1月至3月期间包含“ChatGPT”标签或提及的493,745条推文，涉及250,007名用户。
- 子样本筛选：进一步筛选包含团队协作关键词（如“team*”“collaborat*”）的推文，剔除垃圾内容后，最终分析样本为2,704条推文。

1. 变量测量与验证

   • 测量工具：采用大型语言模型（GPT-3.5 Turbo）对推文进行评分，测量以下变量：
     
     • 人-AI团队协作：分为过渡（transition，如计划与反思）、行动（action，如任务协调）和人际（interpersonal，如情绪调节）三类子过程，通过二分变量（0/1）编码。
       
     • AI控制：4级评分（1=仅监控信息，4=完全自主决策）。
       
     • 压力：4级评分（1=无压力，4=高压力）。
       
   • 方法验证：通过多特质-多方法矩阵（MTMM）比较LLM评分、人工评分和词典分析法（lexical scoring）的一致性，证实LLM评分具有较高的信效度（如压力评分的LLM与人工评分相关性r=0.55）。
     

2. 数据分析

   • 采用普通最小二乘回归模型，以压力为因变量，控制推文长度、发布时间、点赞数等变量后，检验AI控制与人-AI团队协作的主效应及交互作用。
     

主要结果
1. 人-AI团队协作与压力的关系
- 行动（β=−0.16, p<0.001）和过渡过程（β=−0.13, p<0.001）显著降低压力，而人际过程无显著影响。例如，用户提到“团队用AI更高效地设计网络配置”（行动过程）或“通过AI快速生成演示数据”（过渡过程）时，压力水平较低。
- 解释：行动和过渡过程通过减少目标-绩效差距（goal-performance discrepancy）提升自我调节效能，从而缓解压力。

1. AI控制与压力的关系

   • AI控制水平越高，压力越大（β=0.24, p<0.001）。例如，用户抱怨“AI完全接管决策，我感到无能为力”时，压力评分显著升高。
     
   • 解释：高AI控制剥夺了人类的自主权（self-determination theory），引发不确定性和无力感。
     

2. 交互作用

   • 行动（β=−0.05, p<0.05）和人际过程（β=−0.04, p<0.05）能缓冲AI控制对压力的负面影响。如图2所示，当AI控制水平高时，存在人-AI协作的个体压力上升幅度更小。
     
   • 解释：AI通过提供任务支持（行动过程）或情感陪伴（人际过程）充当社会资源，抵消了高控制的负面效应。
     

结论与价值
1. 理论贡献
- 突破传统“自动化-增强连续体”的单维度视角，首次将AI控制与人-AI协作解耦，解释了文献中的矛盾发现。
- 扩展了工作设计理论，提出AI特有的社会技术特征（如AI作为“团队成员”提供社会支持）。

1. 实践意义
   
   • 组织管理：需限制AI的决策控制权，同时设计人-AI协作流程（如联合规划、任务协调）以保护员工心理健康。
     
   • 政策制定：呼吁监管AI控制水平，避免人类被“排除在决策循环外”（out of the loop）。
     

研究亮点
1. 方法创新：结合文本挖掘与LLM技术，首次大规模量化真实工作场景中的人-AI互动。
2. 细分维度：将人-AI团队协作细分为三类子过程，揭示行动和过渡过程的核心作用。
3. 缓冲机制：发现AI可通过社会资源功能缓解压力，为未来人机协作设计提供新思路。

其他发现
- 人-AI协作中，行动过程出现频率最高（69%），人际过程最低（23%），反映当前AI更多用于任务执行而非情感支持。
- 仅14%的推文描述高AI控制（评分≥3），表明多数应用仍以人类主导为主。

此报告完整呈现了研究的背景、方法、结果与价值，可供学术界和业界参考。