DOI: https://doi.org/10.3389/fpubh.2024.1343932
PMID: https://pubmed.ncbi.nlm.nih.gov/38601504
تاريخ النشر: 2024-03-27
المؤلف: Jeeyoon Jeong وآخرون
الموضوع الرئيسي: صحة ورفاهية مكان العمل
نظرة عامة
تدرس هذه الدراسة آثار اعتماد الذكاء الاصطناعي (AI) على الصحة البدنية للموظفين، مع التركيز على الدور الوسيط لضغط العمل والتأثير المعتدل لقيادة التدريب. مستندة إلى نظرية الحفاظ على الموارد (COR)، تفترض الدراسة أن اعتماد الذكاء الاصطناعي يؤثر سلبًا على صحة الموظفين بشكل مباشر وغير مباشر من خلال زيادة ضغط العمل. باستخدام مسح زمني ثلاثي الموجات لـ 375 عاملًا كوريًا جنوبيًا، تؤكد النتائج أنه بينما لا يؤثر اعتماد الذكاء الاصطناعي مباشرة على الصحة البدنية، فإنه يزيد بشكل كبير من ضغط العمل، مما يؤثر سلبًا على نتائج الصحة.
علاوة على ذلك، تسلط الدراسة الضوء على الدور الحاسم لقيادة التدريب في التخفيف من الضغط المرتبط باعتماد الذكاء الاصطناعي، مما يشير إلى أن ممارسات القيادة الداعمة يمكن أن تكون موردًا حيويًا في التحولات التكنولوجية. تؤكد هذه النتائج على أهمية معالجة الآليات النفسية في سياق تنفيذ الذكاء الاصطناعي وتوفر إطارًا لفهم كيفية تأثير التكنولوجيا على رفاهية الموظفين. تدعو النتائج المنظمات إلى اعتماد استراتيجيات القيادة التي تعطي الأولوية لصحة الموظفين جنبًا إلى جنب مع الكفاءة التكنولوجية، مما يمهد الطريق للبحوث المستقبلية لاستكشاف وسطاء ومعتدلين إضافيين في هذا المشهد المتطور.
مقدمة
تتناول مقدمة هذه الورقة البحثية التقاطع الحاسم لاعتماد التكنولوجيا، وخاصة الذكاء الاصطناعي (AI)، ورفاهية الموظفين داخل المنظمات المعاصرة. تسلط الضوء على تحول نموذجي حيث انتقلت الصحة البدنية للموظف من قضية ثانوية إلى محدد مركزي لأداء المنظمة، مرتبط ارتباطًا وثيقًا بالإنتاجية والابتكار وثقافة مكان العمل بشكل عام. بينما تركز الأدبيات الحالية بشكل أساسي على فوائد الذكاء الاصطناعي – مثل تحسين العمليات وتعزيز اتخاذ القرار – لا يزال هناك فجوة كبيرة في فهم آثاره السلبية المحتملة على الموظفين، بما في ذلك زيادة ضغط العمل والقلق بشأن أمان الوظيفة. يجادل المؤلفون بأنه مع تكامل الذكاء الاصطناعي في العمليات التنظيمية، فإنه يطرح تحديات قد تؤثر سلبًا على صحة الموظفين، مما يستدعي استكشافًا أعمق لهذه الديناميات.
تقترح الورقة إطارًا مستندًا إلى نظرية الحفاظ على الموارد (COR)، حيث تفترض أن اعتماد الذكاء الاصطناعي قد يستنزف موارد الموظفين، مما يؤدي إلى زيادة الضغط وانخفاض الصحة البدنية. تؤكد على دور قيادة التدريب كعامل معتدل يمكن أن يخفف من هذه الآثار السلبية من خلال توفير الدعم والموارد اللازمة للموظفين. تهدف هذه الدراسة إلى توضيح العلاقات المعقدة بين الذكاء الاصطناعي، وضغط العمل، والصحة البدنية، بينما تساهم أيضًا في أدبيات القيادة من خلال الدعوة إلى تطوير ممارسات قيادة التدريب خلال التحولات التكنولوجية. يحدد الصرامة المنهجية للدراسة، بما في ذلك استخدام بيانات زمنية ثلاثية الموجات، معيارًا عاليًا للبحث التجريبي في هذا المجال، مما يقدم في النهاية رؤى قيمة للمنظمات التي تتنقل في تكامل الذكاء الاصطناعي وآثاره على رفاهية الموظفين.
الطرق
توضح قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات المحددة. تم إجراء تحليلات إحصائية باستخدام أدوات برمجية لضمان موثوقية وصلاحية النتائج، مع تحديد مستويات الدلالة عند p < 0.05. شملت جمع البيانات طريقة عينة منهجية، مما يضمن عينة تمثيلية من السكان قيد التحقيق. استخدم الباحثون أدوات قياس متنوعة، تم التحقق من صحتها قبل الاستخدام، لالتقاط المقاييس ذات الصلة بدقة. كما شملت المنهجية وصفًا تفصيليًا للإجراءات المتبعة خلال التجارب، مما يضمن إمكانية إعادة الإنتاج والشفافية في عملية البحث. بشكل عام، كانت الطرق المستخدمة مصممة بدقة لمعالجة أسئلة البحث بفعالية، مما يسمح باستخلاص استنتاجات قوية من النتائج.
النتائج
كشفت نتائج تحليل الوساطة أن نموذج الوساطة الكامل كان أكثر ملاءمة من نموذج الوساطة الجزئية في فهم العلاقة بين اعتماد الذكاء الاصطناعي والصحة البدنية. أشار اختبار فرق كاي-تربيع إلى أنه بينما تناسب كلا النموذجين البيانات بشكل جيد، كان نموذج الوساطة الكامل، الذي يفترض أن اعتماد الذكاء الاصطناعي يؤثر على الصحة البدنية بشكل غير مباشر من خلال ضغط العمل، هو المفضل (Δχ²(1) = 2.328، p > 0.05). كانت مؤشرات الملاءمة للنموذج الكامل [χ² = 358.459 (df = 189)، CFI = 0.961، TLI = 0.951، RMSEA = 0.049]، وللنموذج الجزئي، كانت [χ² = 356.131 (df = 188)، CFI = 0.961، TLI = 0.952، RMSEA = 0.049].
لم تُظهر المتغيرات الضابطة، بما في ذلك العمر والجنس والتعليم والموقع الوظيفي، ارتباطات ذات دلالة مع الصحة البدنية (β = -0.01، p > 0.05)، مما أدى إلى رفض الفرضية 1. ومع ذلك، دعمت التحليلات الفرضية 2، مما يدل على أن اعتماد الذكاء الاصطناعي يزيد بشكل كبير من ضغط العمل (β = 0.311، p < 0.001)، والفرضية 3، التي أشارت إلى أن ضغط العمل يؤثر سلبًا على الصحة البدنية (β = -0.276، p < 0.01). تشير هذه النتائج إلى أن آثار اعتماد الذكاء الاصطناعي على الصحة البدنية يتم الوساطة من خلال ضغط العمل بدلاً من حدوثها من خلال مسار مباشر.
المناقشة
تستكشف قسم المناقشة من الورقة البحثية التأثيرات المتعددة الأوجه لاعتماد الذكاء الاصطناعي (AI) على الصحة البدنية للموظفين وضغط العمل من خلال أطر نظرية متنوعة. المركز في هذا التحليل هو نظرية الحفاظ على الموارد (COR)، التي تفترض أن الضغط ينشأ من التهديدات المدركة للموارد القيمة، مثل أمان الوظيفة والمهارات، خاصة في سياق تكامل الذكاء الاصطناعي. يوضح النموذج البيولوجي النفسي الاجتماعي كيف يمكن أن تؤدي التغيرات الناتجة عن الذكاء الاصطناعي في بيئات العمل إلى زيادة مستويات الضغط وتأثيرها سلبًا على سلوكيات الصحة، مما يؤدي إلى ضغط مزمن ومشاكل صحية طويلة الأمد. بالإضافة إلى ذلك، تسلط نظرية الضغط التكنولوجي الضوء على الأعراض الفسيولوجية الناجمة عن الضغط الناتج عن التكيف مع التقنيات الجديدة، مما يشير إلى أن الذكاء الاصطناعي يمكن أن يزيد من ضغط العمل من خلال زيادة المطالب وتقليل السيطرة على مهام العمل.
تفترض الورقة عدة فرضيات، بما في ذلك أن اعتماد الذكاء الاصطناعي سيقلل من الصحة البدنية للموظف (الفرضية 1) ويزيد من ضغط العمل (الفرضية 2). كما تقترح أن ضغط العمل يتوسط العلاقة بين اعتماد الذكاء الاصطناعي والصحة البدنية (الفرضية 4)، مما يشير إلى أن زيادة الضغط الناتج عن تكامل الذكاء الاصطناعي يمكن أن تؤدي إلى أضرار صحية كبيرة. علاوة على ذلك، يتم فحص دور قيادة التدريب كعامل معتدل قد يخفف من ضغط العمل المرتبط باعتماد الذكاء الاصطناعي (الفرضية 5). تؤكد النتائج على الحاجة إلى أن تأخذ المنظمات في الاعتبار الآثار النفسية والفسيولوجية لتقنيات الذكاء الاصطناعي، داعية إلى قيادة داعمة للتخفيف من النتائج الصحية السلبية بين الموظفين.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حاسمة للبحث المستقبلي. أولاً، بينما تم استخدام تصميم زمني متأخر لمعالجة تباين الطريقة الشائعة (CMV)، قد لا يزال الاعتماد الحصري على مقاييس التقرير الذاتي يقدم انحيازات. يجب أن تأخذ التحقيقات المستقبلية في الاعتبار دمج بيانات متعددة المصادر، مثل تقييمات الأقران وتقييمات المشرفين، لتقليل مخاطر CMV بشكل أكبر. ثانيًا، على الرغم من أن قيادة التدريب تم تحديدها كمتغير معتدل مهم في تخفيف الضغوط المرتبطة باعتماد الذكاء الاصطناعي، فإن تعقيد الديناميات التنظيمية يشير إلى أن عوامل معتدلة أخرى، مثل الثقافة التنظيمية ودعم الأقران، تستحق الاستكشاف لفهم أدوارها بالكامل في رفاهية الموظف.
بالإضافة إلى ذلك، يقتصر سياق الدراسة على الموظفين الكوريين، مما قد يؤثر على النتائج بسبب القيم الثقافية وأخلاقيات العمل المحددة. يمكن أن يوفر توسيع البحث ليشمل دراسات عبر ثقافات رؤى حول قابلية تعميم النتائج. يثير غياب مجموعة ضابطة من غير مستخدمي الذكاء الاصطناعي تساؤلات حول خصوصية النتائج المتعلقة بتأثير الذكاء الاصطناعي على رفاهية الموظف. على الرغم من هذه القيود، تسهم الدراسة في تقديم رؤى قيمة حول الآثار الصحية لاعتماد الذكاء الاصطناعي وتقترح الحاجة إلى أبحاث مستقبلية تشمل تقييمات صحية موضوعية ومتغيرات ضابطة، مثل المهنة والدخل، لتعزيز قوة النتائج وفهم العلاقة بين تكامل الذكاء الاصطناعي ونتائج صحة الموظفين بشكل أفضل.
DOI: https://doi.org/10.3389/fpubh.2024.1343932
PMID: https://pubmed.ncbi.nlm.nih.gov/38601504
Publication Date: 2024-03-27
Author(s): Jeeyoon Jeong et al.
Primary Topic: Workplace Health and Well-being
Overview
This study investigates the effects of Artificial Intelligence (AI) adoption on employee physical health, emphasizing the mediating role of job stress and the moderating influence of coaching leadership. Grounded in the Conservation of Resources (COR) theory, the research hypothesizes that AI adoption negatively impacts employee health both directly and indirectly through increased job stress. Utilizing a three-wave time-lagged survey of 375 South Korean workers, the findings confirm that while AI adoption does not directly affect physical health, it significantly increases job stress, which in turn detrimentally impacts health outcomes.
Moreover, the study highlights the critical role of coaching leadership in mitigating the stress associated with AI adoption, suggesting that supportive leadership practices can serve as a vital resource in technological transitions. These results underscore the importance of addressing psychological mechanisms in the context of AI implementation and provide a framework for understanding how technology influences employee well-being. The implications call for organizations to adopt leadership strategies that prioritize employee health alongside technological efficiency, paving the way for future research to explore additional mediators and moderators in this evolving landscape.
Introduction
The introduction of this research paper addresses the critical intersection of technological adoption, particularly Artificial Intelligence (AI), and employee well-being within contemporary organizations. It highlights a paradigm shift where employee physical health has transitioned from a secondary concern to a central determinant of organizational performance, closely linked to productivity, innovation, and overall workplace culture. While existing literature predominantly focuses on the benefits of AI—such as operational optimization and enhanced decision-making—there remains a significant gap in understanding its potential adverse effects on employees, including increased job stress and concerns about job security. The authors argue that as AI becomes integral to organizational processes, it poses challenges that could negatively impact employee health, necessitating a deeper exploration of these dynamics.
The paper proposes a framework grounded in the Conservation of Resources (COR) theory, positing that AI adoption may deplete employees’ resources, leading to heightened stress and declining physical health. It emphasizes the role of coaching leadership as a moderating factor that can mitigate these negative effects by providing necessary support and resources to employees. This research aims to elucidate the complex relationships between AI, job stress, and physical health, while also contributing to leadership literature by advocating for the development of coaching leadership practices during technological transitions. The study’s methodological rigor, including the use of three-wave time-lagged data, sets a high standard for empirical research in this domain, ultimately offering valuable insights for organizations navigating AI integration and its implications for employee well-being.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Statistical analyses were conducted using software tools to ensure the reliability and validity of the results, with significance levels set at p < 0.05. Data collection involved a systematic sampling method, ensuring a representative sample of the population under investigation. The researchers employed various measurement instruments, which were validated prior to use, to capture the relevant metrics accurately. The methodology also included a detailed description of the procedures followed during the experiments, ensuring reproducibility and transparency in the research process. Overall, the methods employed were rigorously designed to address the research questions effectively, allowing for robust conclusions to be drawn from the findings.
Results
The results of the mediation analysis revealed that a full mediation model was more appropriate than a partial mediation model in understanding the relationship between AI adoption and physical health. The chi-square difference test indicated that while both models fit the data well, the full mediation model, which posits that AI adoption influences physical health indirectly through job stress, was favored (Δχ²(1) = 2.328, p > 0.05). The fit indices for the full model were [χ² = 358.459 (df = 189), CFI = 0.961, TLI = 0.951, RMSEA = 0.049], and for the partial model, they were [χ² = 356.131 (df = 188), CFI = 0.961, TLI = 0.952, RMSEA = 0.049].
Control variables, including age, gender, education, and occupational position, did not show significant associations with physical health (β = -0.01, p > 0.05), leading to the rejection of Hypothesis 1. However, the analysis supported Hypothesis 2, demonstrating that AI adoption significantly increases job stress (β = 0.311, p < 0.001), and Hypothesis 3, which indicated that job stress negatively impacts physical health (β = -0.276, p < 0.01). These findings suggest that the effects of AI adoption on physical health are mediated by job stress rather than occurring through a direct pathway.
Discussion
The discussion section of the research paper explores the multifaceted impact of artificial intelligence (AI) adoption on employee physical health and job stress through various theoretical frameworks. Central to this analysis is the Conservation of Resources (COR) theory, which posits that stress arises from perceived threats to valuable resources, such as job security and skills, particularly in the context of AI integration. The biopsychosocial model further elucidates how AI-induced changes in work environments can elevate stress levels and adversely affect health behaviors, leading to chronic stress and long-term health issues. Additionally, technostress theory highlights the physiological symptoms stemming from the stress of adapting to new technologies, suggesting that AI can exacerbate job strain through increased demands and reduced control over work tasks.
The paper posits several hypotheses, including that AI adoption will decrease employee physical health (Hypothesis 1) and increase job stress (Hypothesis 2). It also suggests that job stress mediates the relationship between AI adoption and physical health (Hypothesis 4), indicating that heightened stress from AI integration can lead to significant health detriments. Furthermore, the role of coaching leadership is examined as a moderating factor that may alleviate job stress associated with AI adoption (Hypothesis 5). The findings underscore the need for organizations to consider the psychological and physiological implications of AI technologies, advocating for supportive leadership to mitigate adverse health outcomes among employees.
Limitations
The limitations of this study highlight several critical areas for future research. Firstly, while a time-lagged design was employed to address common method variance (CMV), the exclusive reliance on self-report measures may still introduce biases. Future investigations should consider incorporating multi-source data, such as peer evaluations and supervisor assessments, to further mitigate CMV risks. Secondly, although coaching leadership was identified as a significant moderating variable in alleviating stressors associated with AI adoption, the complexity of organizational dynamics suggests that other moderating factors, like organizational culture and peer support, warrant exploration to fully understand their roles in employee well-being.
Additionally, the study’s context is limited to Korean employees, which may influence the findings due to specific cultural values and work ethics. Expanding research to include cross-cultural studies could provide insights into the generalizability of the results. The absence of a control group of non-AI users raises questions about the specificity of the findings regarding AI’s impact on employee well-being. Despite this limitation, the study contributes valuable insights into the health implications of AI adoption and suggests the need for future research to include objective health assessments and control variables, such as occupation and income, to enhance the robustness of the findings and better understand the relationship between AI integration and employee health outcomes.