关于生成式人工智能创造力对员工创造力影响研究的学术报告

第一， 研究作者、机构及发表情况 本项研究由来自中国哈尔滨工业大学管理学院的三位研究人员完成，分别是Tuo Zhao, Zhen Shao, 以及Jianfeng Zhang。该项研究成果以研究论文的形式发表，期刊为 *Internet Research*，发表时间为2026年1月。

第二， 研究的学术背景 本研究的主要科学领域属于信息系统与组织行为学的交叉领域，具体聚焦于生成式人工智能技术在工作场所的应用及其对员工心理与行为的影响。

研究的开展具有深刻的现实与理论背景。现实层面，生成式人工智能在全球及中国组织中的采用率快速上升，预计将产生巨大的经济价值。然而，关于其对员工创造力的影响，在学术界和实践中引发了激烈辩论。报告显示，虽然超过半数的员工预期生成式人工智能能提升效率和创造力，但仍有相当比例（33%）的员工视其为威胁，可能抑制其创意产生。这种矛盾的现象表明，生成式人工智能对员工创造力的影响并非简单的线性促进或抑制关系。

理论层面，以往研究主要关注生成式人工智能对员工创造力的积极影响，例如提升信息处理和认知功能。然而，学者们近期呼吁更深入地理解其潜在的负面影响。现有研究已识别生成式人工智能是压力的潜在来源，其机制可能包括时间压力、焦虑和信息超载。但现有压力理论框架未能充分解释生成式人工智能的新颖特征，特别是其生成创造性内容的能力。同时，将生成式人工智能视为一个笼统的概念进行研究，忽略了其“创造能力”这一独特属性可能带来的特定压力传导路径。因此，探究生成式人工智能创造能力这一特定技术特征如何通过压力评价机制影响员工创造力，成为亟待填补的研究空白。

基于以上背景，本研究整合了压力交互理论和人格特质视角，旨在达成以下目标：1) 揭示生成式人工智能创造能力如何影响员工对该技术的挑战性评价和阻碍性评价，进而如何影响其创造力；2) 探究员工的人格特质（外向性和尽责性）如何调节其对生成式人工智能创造能力的评价过程。本研究旨在为组织管理者提供如何利用生成式人工智能提升员工创造力，同时缓解其可能带来的负面压力的实践指导。

第三， 研究详细工作流程 本研究主要包含理论模型构建与实证检验两大阶段，具体工作流程如下：

第一阶段：理论框架开发与假设提出 研究人员首先基于压力交互理论和人格特质理论，构建了一个整合性理论模型（如图2所示）。该模型的核心自变量是“生成式人工智能创造能力”，中介变量为“挑战性评价”和“阻碍性评价”，因变量为“创造力”。模型引入“外向性”和“尽责性”两种人格特质作为调节变量，并在模型中控制了年龄、性别和教育程度等变量的潜在影响。 * 模型变量操作化定义与测量依据： * 生成式人工智能创造能力：借鉴Smith等人（2005）在组织层面定义的“创造能力”，并将其适配至个体层面，用以衡量员工感知到的生成式人工智能生成新颖且有价值内容的能力。 * 挑战性与阻碍性评价：采用Lépine等人（2016）开发的量表，测量员工对生成式人工智能相关压力的主观诠释。 * 创造力：参考Shao等人（2022）的研究进行测量，衡量员工通过使用生成式人工智能产生新颖有用想法的程度。 * 外向性与尽责性：采用Johnston等人（2016）使用的量表进行测量，属于“大五人格”模型中的维度。 * 测量工具开发流程：为确保测量准确性，研究人员遵循严格的回译流程。首先用英文设计问卷项，然后由三位双语学生翻译为中文，并根据生成式人工智能的特定语境调整措辞（例如，将“have access to”改为“has the ability to”）。最后，进行了包含68名使用过生成式人工智能的员工参与的预测试，根据反馈和统计分析结果（例如信度分析），对因子载荷偏低或心理测量属性不佳的题项进行了修订或删除。最终，生成式人工智能创造能力和阻碍性评价量表各保留了两个题项。

第二阶段：数据收集与实证检验 1. 数据收集与样本 研究通过Credamo在线平台进行问卷调查。研究对象设定为在职场中使用生成式人工智能的全职员工。问卷设置了两个筛选问题以确保样本符合要求。成功完成问卷的受访者可获得3元人民币的激励。研究共回收358份问卷，通过剔除陷阱题回答错误、全部问题答案相同或作答时间过短（<1.5分钟）的无效问卷，最终获得320份有效样本用于分析。样本人口统计特征显示，女性占62.5%，年龄主要在23-40岁之间，教育程度以本科（73.8%）和硕士及以上（23.1%）为主。

2. 数据分析方法 研究采用基于偏最小二乘法（PLS）的结构方程模型（SEM）技术进行数据分析，使用SmartPLS 4.0软件。该方法适用于验证性和解释性研究，能够同时评估测量模型和结构模型。

3. 详细分析步骤 * 测量模型检验： * 信度与聚合效度：计算了各构念的题项载荷、克朗巴哈α系数、组合信度和平均变异萃取量。结果显示，所有题项载荷均大于0.7，α系数和组合信度均大于0.7，AVE值均大于0.5，表明测量工具具有良好的信度和聚合效度（见表2）。 * 区分效度：通过Fornell-Larcker准则和异质-同质比率两种方法进行检验。数据显示，每个构念AVE的平方根均大于其与其他构念的相关系数，且所有HTMT值均低于0.85的阈值，证实了良好的区分效度（见表3）。 * 结构模型与假设检验： * 主效应检验：采用5000次重复抽样的自助法进行路径系数检验。结果显示，生成式人工智能创造能力对挑战性评价有显著正向影响，支持H1；但其对阻碍性评价有显著负向影响，不支持H2（原假设为正相关）。挑战性评价对创造力有显著正向影响，阻碍性评价对创造力有显著负向影响，分别支持H3和H4。在控制变量中，只有年龄对创造力有显著正向影响（见表4）。模型对创造力的方差解释率为41.7%，模型拟合指标SRMR为0.075，表明模型拟合良好。 * 调节效应检验：遵循Chin等人的建议，通过将标准化后的自变量与调节变量相乘生成交互项进行检验。结果表明，外向性正向调节生成式人工智能创造能力与挑战性评价之间的关系，支持H5；尽责性正向调节生成式人工智能创造能力与阻碍性评价之间的关系，支持H6（见表5）。 * 事后分析： * 有调节的中介效应检验：进一步检验了人格特质的调节作用在中介路径上的效应。结果显示，挑战性评价的中介效应在外向性高低组间无显著差异。但值得注意的是，阻碍性评价在生成式人工智能创造能力与创造力之间的中介效应，在低尽责性员工中比在高尽责性员工中更强。这表明，对于尽责性较低的员工，阻碍性评价是生成式人工智能创造能力影响其创造力的一个重要心理路径（见表6）。 * 年龄对创造力的方差分析：ANOVA分析显示，不同年龄段员工的创造力存在显著差异。30-40岁员工的创造力水平最高，而23岁以下员工的创造力水平最低（见表7）。

第四， 研究主要结果 1. 中介路径与主效应结果：实证结果显示，生成式人工智能创造能力显著增强了员工的挑战性评价，而挑战性评价进而显著提升了员工的创造力。这一正向传导路径得到支持，回答了第一个研究问题的正面影响部分。然而，研究并未发现生成式人工智能创造能力直接增加阻碍性评价，反而发现其与阻碍性评价呈负相关。这可能意味着，当员工感知到生成式人工智能强大的创造能力时，更倾向于将其视为一种机遇而非直接障碍。尽管如此，阻碍性评价依然对创造力有独立的负面影响。

2. 调节效应结果：研究发现，外向性人格特质在生成式人工智能创造能力与挑战性评价之间起到了正向调节作用。这意味着，对于外向性高的员工，生成式人工智能创造能力更容易被其解读为一项激励性的挑战，从而更可能激发他们的创造力，回答了第二个研究问题。同时，尽责性正向调节生成式人工智能创造能力与阻碍性评价之间的关系。即高尽责性员工更容易将生成式人工智能的创造能力感知为对其工作的阻碍，这可能源于他们对流程控制、精确性和责任感的强烈需求与生成式人工智能自主创造性之间的潜在冲突。

3. 控制变量与事后分析结果：年龄被发现与创造力呈显著正相关，且30-40岁年龄段的员工表现出最高的创造力水平。事后分析揭示了一个重要发现：阻碍性评价在生成式人工智能创造能力与创造力间的中介效应，对于尽责性低的员工更为显著。这表明，即使整体上生成式人工智能创造能力未直接提升阻碍性评价，但对于某些特定人格（如低尽责性）的员工群体，它仍然可能通过诱发阻碍感而削弱其创造力。

以上结果在逻辑上层层递进，首先验证了生成式人工智能创造能力通过提升挑战性评价来促进创造力的主路径；其次揭示了人格特质如何塑造员工对同一技术特征（创造能力）的不同解读，从而强化或抑制了特定的评价路径；最后，通过有调节的中介分析，进一步明确了阻碍性评价这一负面路径在特定人格群体（低尽责性员工）中的重要作用。这些结果为最终结论的得出提供了详实的数据支持。

第五， 研究结论与意义 本研究得出核心结论：生成式人工智能的创造能力对员工创造力的影响是双重的，且受到人格特质的显著调节。具体而言，这种影响主要通过挑战性评价这一积极路径实现。外向性员工更能将生成式人工智能的创造能力视为促进个人成长的挑战，从而提升创造力。尽管研究未发现创造能力直接增加阻碍性评价，但阻碍性评价对创造力有独立的负面影响，且对尽责性较低的员工而言，其阻碍感是生成式人工智能影响其创造力的重要中介。

研究的理论意义主要体现在三个方面：1) 丰富了生成式人工智能研究，首次将“创造能力”这一独特属性作为压力源进行考察，揭示了其影响员工压力和创造力的具体机制，弥补了现有文献笼统看待技术影响或忽视其创造性特征的不足。2) 拓展了压力交互理论的应用，构建了一个整合性框架来解释生成式人工智能创造能力如何通过挑战性与阻碍性双重评价路径影响员工创造力，强调了同一压力源可能引发不同评价的观点。3) 深化了人格特质理论在技术采纳情境下的理解，证明了大五人格中外向性和尽责性两种特质在塑造员工对新兴技术压力评价中的关键边界作用。

研究的实践意义为组织管理者和生成式人工智能开发者提供了具体指导：1) 管理者应认识到技术影响的复杂性，需通过全面培训帮助员工理解技术如何补充其技能，减少失控感。开发者应提升技术的透明度和可解释性，降低员工的不确定性和不安。2) 应充分考虑员工的人格差异，实施差异化策略。例如，鼓励外向型员工探索和协作实验；为尽责型员工提供平稳的技术整合方案，最小化对其既定工作流程的干扰。管理者可在招聘中纳入与技术协作的模拟任务，以评估应聘者与生成式人工智能的合作能力。

第六， 研究亮点 1. 研究视角的创新性：本研究将压力交互理论与人格特质视角相结合，提供了一个新颖且全面的理论框架来分析生成式人工智能这一新兴技术的双刃剑效应。它超越了单纯的技术决定论或人格决定论，强调了“技术特征-认知评价-个人特质-行为结果”的互动过程。 2. 研究对象的聚焦性：不同于以往将生成式人工智能视为一个整体的研究，本研究聚焦于其核心特征——“创造能力”作为自变量，使研究问题更具体，研究结论更具针对性，揭示了技术特定属性发挥作用的具体路径。 3. 研究发现的深入性：不仅验证了预期的主效应和调节效应，还通过事后分析发现了有调节的中介效应的非对称性（如阻碍性评价的中介作用在低尽责性员工中更强），这为理解技术影响在不同个体间的异质性提供了更细腻的洞见。 4. 研究方法的严谨性：采用了成熟的量表，遵循严格的问卷开发与回译流程，利用结构方程模型进行多变量关系检验，并通过有调节的中介分析深入挖掘复杂作用机制，确保了研究结论的可靠性。

第七， 其他有价值内容 本研究也坦诚地指出了其局限性，为未来研究指明了方向：1) 未包含应对评价这一压力管理的重要环节。2) 控制变量未能完全捕捉个体差异的复杂性，未来可考虑工作领域、技术熟悉度等因素。3) 通过挑战性评价题项的反向计分来测量阻碍性评价，可能限制了检测压力源与评价之间复杂关系的能力，未来可开发独立的多维测量工具。4) 未来研究可重点关注50岁以上的老年员工群体，以探索不同年龄层对生成式人工智能诱发压力的体验和反应差异。这些反思体现了研究的科学态度，并有助于推动该领域的持续发展。