人工智能在工作场所对员工压力的影响：一项基于社交媒体文本挖掘的实证研究

一、 研究概况 本研究由Florian Klonek（澳大利亚迪肯大学迪肯商学院）与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。研究成果以题为“Is our future colleague even human? Advancing human-AI teamwork from an organizational perspective: Does AI at work increase stress? Text mining social media about human–AI team processes and AI control”的论文形式，发表于2025年的《Journal of Organizational Behavior》期刊。

二、 研究背景与目的 本研究属于组织行为学与工作设计领域，聚焦于人工智能（Artificial Intelligence, AI）在工作场所应用的心理学后果。随着AI在组织中的使用日益广泛，以及全球心理健康问题的加剧，理解AI如何影响人类员工的压力体验变得至关重要。然而，现有文献关于AI对员工福祉（如压力）的影响存在矛盾发现：一些研究表明AI协作能提升幸福感与满意度，而另一些研究则指出AI会导致压力、不安全感与倦怠。

为澄清这些不一致，本研究提出了一个关键的理论区分：以往研究通常将“自动化-增强”（automation-augmentation）视为一个单一连续体，一端是AI完全控制的“自动化”（automation），另一端是人类与AI协作的“增强”（augmentation）。本研究认为，必须将“AI控制水平”（AI control）与“人-AI团队过程”（human–AI team processes）这两个工作设计的关键维度分离开来，进行独立且交互的考察。具体而言： * AI控制：指AI在相关工作任务中决策控制的程度，从低（仅监控信息）到高（完全自主决策并执行，忽略人类输入）。 * 人-AI团队过程：指人类与AI为了将输入转化为成果而进行的相互依赖的认知、言语和行为活动。本研究借鉴经典的团队过程框架，将其细分为三个子维度： 1. 转换过程：涉及目标明确、任务规划以及对过往表现的反思。 2. 行动过程：涉及任务协调、进度监控和互助行为，直接聚焦于目标达成。 3. 人际过程：涉及建立激励、管理冲突和调节情绪。

基于自我决定理论和工作设计理论，本研究提出三个核心假设： 1. H1：人-AI团队过程（转换、行动、人际）与更低的人类压力相关（因其有助于目标达成，减少目标-绩效差距）。 2. H2：高水平的AI控制与更高的人类压力相关（因其挫败了人类的自主性需求）。 3. H3：人-AI团队过程作为一个重要的社会资源，能够缓冲AI控制对压力的增强效应。即，当存在人-AI团队过程时，AI控制与压力之间的正相关关系会减弱。

三、 研究流程与方法细节 本研究采用创新的文本挖掘与大型语言模型相结合的方法，对社交媒体数据进行分析，流程如下：

1. 数据获取与预处理： * 数据源：研究从一个公开数据集中获取了约493,745条提及ChatGPT的推文（发布时间为2023年1月至3月）。 * 子样本筛选：为聚焦于团队协作情境，研究者筛选出包含“团队”或“协作”相关关键词的推文，得到4,108条。进一步剔除垃圾信息和描述非真实互动（如纯假设场景）的推文后，最终分析样本包含2,704条推文。

2. 变量测量与操作化（核心创新方法）： 研究使用经过预训练的大型语言模型（GPT-3.5 Turbo）来对每条推文进行量化评分，以测量三个核心变量。为验证此方法的效度，研究者同时采用了词典分析法（lexical scoring）和人工评分法进行对比（多特质-多方法矩阵，MTMM）。 * 人-AI团队过程：针对三个子维度（转换、行动、人际），LLM根据预设的提示词（prompt）和定义，对每条推文进行二分评分（0=未涉及该过程，1=涉及该过程）。提示词中包含了对每个过程的详细定义和21个改编自Mathieu等人（2020）量表的示例。LLM还需提供评分理由以供监督。信度检验（Cronbach‘s α）显示评分一致性良好（转换：0.91；行动：0.86；人际：0.94）。 * AI控制：LLM根据一个4点量表对每条推文评分，量表基于Parasuraman等人（2000）的技术控制分类法制定，从1（AI仅负责监控和呈现信息）到4（AI控制行动执行，忽略人类输入）。信度α=0.90。 * 人类压力：LLM根据一个4点量表评估推文发布者所表达的压力水平（1=无压力，4=高压力）。信度α=0.90。 * 效度检验：LLM评分与人工评分在压力（r=0.55）、AI控制（r=0.14）及人-AI团队过程各维度（平均r=0.25）上均呈显著正相关，与词典分析法评分也呈现显著但较小的相关，支持了LLM测量的收敛效度。

3. 数据分析流程： * 分析层级：所有分析均在推文层级进行。 * 假设检验：采用普通最小二乘法（OLS）分层回归分析，以压力为因变量。 * 第一步：放入控制变量，包括推文发布月份、点赞数、转发数、推文长度，以及28个基于主题词典（如宏观经济、民权、医疗等）生成的虚拟变量，以控制话题内容的影响。 * 第二步：加入核心自变量：人-AI团队过程（三个子维度）和AI控制，检验主效应（H1， H2）。 * 第三步：加入交互项（人-AI团队过程各维度 × AI控制），检验缓冲效应（H3）。 * 补充分析：比较了在人-AI团队过程存在与不存在的情况下，AI控制水平的均值差异。

四、 主要研究结果 1. 描述性统计与相关性： * 在人-AI团队过程中，行动过程出现频率最高（69%），其次是转换过程（56%），人际过程最低（23%）。 * AI控制的平均水平（M=2.05）处于“生成选项”的较低控制水平，但样本中仍存在217条推文描述了较高控制水平（评分≥3）。 * 压力平均水平较低（M=1.32），有184条推文显示出较高压力水平（评分≥3）。 * 相关性分析显示，人-AI转换过程（r=-0.12）和行动过程（r=-0.13）与压力显著负相关，为人际过程与压力相关不显著（r=0.01）。AI控制与压力显著正相关（r=0.27）。AI控制与人-AI团队过程各维度仅呈弱相关（r=0.10-0.17），支持了构念间的区分效度。

2. 回归分析结果： * H1部分支持：在控制了相关变量后，人-AI转换过程（β=-0.13， p<0.001）和行动过程（β=-0.16， p<0.001）对压力有显著的负向预测作用。然而，人-AI人际过程的主效应不显著（β=0.01， p=0.761）。因此，H1得到了两个子维度的支持。 * H2完全支持：AI控制对压力有显著的正向预测作用（β=0.24， p<0.001），即AI控制水平越高，感知到的压力越大。 * H3大部分支持： * 人-AI行动过程与AI控制的交互项显著（β=-0.05， p<0.05）。简单斜率分析表明，当行动过程缺失时，AI控制与压力的正向关联很强（b=0.53）；当行动过程存在时，该关联减弱（b=0.32）。 * 人-AI人际过程与AI控制的交互项也显著（β=-0.04， p<0.05）。当人际过程缺失时，AI控制与压力的关联较强（b=0.49）；当人际过程存在时，该关联减弱（b=0.36）。 * 人-AI转换过程的交互项不显著（β=-0.05， p=0.092）。 * 因此，H3得到了行动过程和人际过程这两个维度的支持。

3. 补充分析结果： 当人-AI团队过程存在时，AI控制的平均水平略高于其不存在时（差异范围在0.09-0.14之间），但这种差异的幅度较小。

五、 研究结论与价值 本研究的主要结论是：AI控制是工作场所中一个重要的压力源，而人-AI团队过程（尤其是行动和人际过程）不仅本身与较低压力相关，还能作为一种社会资源，缓冲AI控制带来的压力效应。

理论贡献： 1. 解构自动化-增强悖论：研究通过实证分离AI控制和人-AI团队过程，挑战了将它们视为单一连续体的传统观点，揭示了它们对员工压力独立且相反的影响，为澄清该领域的矛盾发现提供了新的理论视角。 2. 拓展工作设计理论：将AI控制和人-AI团队过程这两个关键的“社会-技术”工作设计特征引入理论框架，强调了在AI时代重新思考工作设计要素的必要性。 3. 深化对人-AI团队过程的理解：首次将成熟的团队过程三维度框架（转换、行动、人际）应用于人-AI团队情境，并证实了其在现实世界中的存在及其对福祉的不同影响。 4. 方法论创新：展示了结合社交媒体文本挖掘与大型语言模型（LLM）来大规模、非侵入性地研究新兴组织现象（如人-AI互动）的可行性与价值。这种方法具有较高的外部效度，并能获取传统调查法难以触及的数据。

实践意义： 1. 管理AI控制水平：组织与政策制定者需警惕高AI控制对员工心理健康的潜在危害，应设计并监管AI系统，确保人类保持在决策“回路”中，维持适度的控制水平，以保护员工福祉并规避安全风险。 2. 促进人-AI协作：组织应积极设计能够促进人-AI团队过程（特别是行动与人际过程）的工作系统。鼓励员工将AI视为协作“队友”，共同进行任务规划、协调和情感调节，这不仅能提升效率，还能缓解技术控制带来的压力。 3. 以人为本的AI集成：研究支持了以人为中心的技术设计理念，强调未来的工作设计应着眼于如何让人与AI更好地协同工作，而非简单地用AI替代人类。

六、 研究亮点 1. 理论视角新颖：率先明确提出并实证检验了“AI控制”与“人-AI团队过程”作为两个独立且交互的工作设计维度，为解决领域内长期存在的实证矛盾提供了关键思路。 2. 方法组合前沿：创新性地将社交媒体大数据挖掘与先进的LLM评分技术相结合，用于测量复杂的心理学构念，为组织行为学研究新兴、动态的现象开辟了新路径。 3. 高外部效度：基于真实世界的社交媒体数据，反映了人们对AI在工作场所使用的自发体验和感受，结论具有较高的生态效度。 4. 细致的过程区分：对人-AI团队过程进行了多维度的精细测量，发现了不同子维度（转换、行动、人际）对压力及其缓冲作用的差异化影响，提供了更深入的理解。

七、 其他有价值的内容与展望 研究者在讨论部分指出了本研究的局限性与未来方向： * 因果推断限制：横截面数据无法确定严格的因果关系。未来需采用纵向追踪或实验研究来验证因果链条。 * 研究情境拓展：未来可比较不同AI控制水平的客观系统，探究个体差异（如人格特质）的调节作用，并考察对团队层面结果（如信任）的影响。 * 效应量大小：检测到的交互效应虽然显著，但效应量较小，这与组织行为学中调节效应普遍较小的现状一致，也凸显了大样本研究在此类问题上的必要性。 * 测量工具的演进：本研究验证了LLM用于构念测量的潜力，其在对语义敏感度、可重复性和扩展性方面可能优于传统方法。

这项研究通过严谨的设计与创新的方法，揭示了AI在工作场所影响员工心理健康的复杂机制，为组织在AI时代进行负责任的管理和设计提供了重要的实证依据与理论指导。