DOI: https://doi.org/10.1002/hrm.70049
تاريخ النشر: 2025-12-24
المؤلف: Yuan Pan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي وتقنيات الموارد البشرية
نظرة عامة
تستكشف هذه الفقرة من ورقة البحث آثار الذكاء الاصطناعي (AI) في إدارة الموارد البشرية (HRM)، خاصة في سياق تقييم الأداء. تفترض أنه يجب عدم اعتبار الذكاء الاصطناعي مجرد أداة تقنية، بل أيضًا كفاعل اجتماعي يتفاعل مع الموظفين. باستخدام نظرية السوسيومادية ونظرية الإسناد، تبحث الدراسة في كيفية تأثير خصائص المقيمين بالذكاء الاصطناعي وتوزيع السلطة في عمليات التقييم على رضا الموظفين. من خلال ثلاثة تجارب قائمة على السيناريو تشمل 1002 مشاركًا واستطلاعًا لـ 321 مستجيبًا، تكشف النتائج أن هذه العوامل تؤثر بشكل كبير على رضا الموظفين عن تقييم الأداء.
تؤكد الدراسة على ضرورة الاعتراف بكل من الأبعاد التقنية والاجتماعية للذكاء الاصطناعي في ممارسات إدارة الموارد البشرية. تقدم رؤى عملية للمنظمات التي تنفذ الذكاء الاصطناعي في تقييم الأداء وتعزز فهم تأثير الذكاء الاصطناعي على تجارب الموظفين. يدعو المؤلفون إلى مزيد من البحث لاستكشاف الظروف التي يتم فيها تشكيل تجارب الموظفين من خلال تداخل الذكاء الاصطناعي والتفاعلات البشرية، مما يساهم في فهم أكثر دقة لدور الذكاء الاصطناعي في ديناميات مكان العمل.
مقدمة
تناقش مقدمة ورقة البحث التأثير التحويلي للذكاء الاصطناعي (AI) على إدارة الموارد البشرية (HRM)، خاصة في مجالات التوظيف وتقييم الأداء. بينما يُعترف بالذكاء الاصطناعي لتعزيز الكفاءة وتجربة الموظف، هناك نتائج متضاربة بشأن آثاره على العدالة وظروف العمل. يجادل المؤلفون بأن تصور الذكاء الاصطناعي كأداة محايدة يغفل التفاعلات الاجتماعية التقنية المعقدة بين الذكاء الاصطناعي والعاملين البشريين، والتي يمكن أن تؤثر بشكل كبير على رضا الموظفين عن تقييمات الأداء المعتمدة على الذكاء الاصطناعي.
لمعالجة الفجوات في الأدبيات الحالية، تستخدم الدراسة نموذج السوسيومادية لاستكشاف العلاقة المعقدة بين الذكاء الاصطناعي والعناصر البشرية في تقييم الأداء. يبرز هذا النهج أن أهمية التكنولوجيا تظهر من خلال تفاعلاتها مع الهياكل الاجتماعية. بالإضافة إلى ذلك، يوفر دمج نظرية الإسناد إطارًا لفهم كيفية تفسير الموظفين لهذه التداخلات بين الذكاء الاصطناعي والبشر، خاصة من حيث خصائص المقيمين وإجراءات التقييم. من خلال تحديد العوامل المسبقة لرضا الموظفين في تقييمات الأداء المعتمدة على الذكاء الاصطناعي، تهدف الدراسة إلى تعميق فهم تجارب الموظفين والمساهمة في النقاش المتطور حول الذكاء الاصطناعي في إدارة الموارد البشرية.
الطرق
تحدد فقرة “الطرق” في ورقة البحث تصميم التجربة والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. توضح اختيار المشاركين، والمواد المستخدمة، والإجراءات المتبعة خلال الدراسة. كما يتم وصف طرق إحصائية محددة والبرامج المستخدمة لتحليل البيانات، مما يضمن إمكانية إعادة الإنتاج والشفافية في عملية البحث.
بالإضافة إلى ذلك، قد تتضمن الفقرة أي نماذج رياضية أو معادلات ذات صلة بالتحليل، مثل نماذج الانحدار أو اختبارات إحصائية أخرى، والتي تعتبر ضرورية لتفسير النتائج. تم تصميم المنهجية لمعالجة المتغيرات المربكة المحتملة وضمان أن تكون النتائج قوية وموثوقة. بشكل عام، تعتبر هذه الفقرة أساسًا لفهم كيفية إجراء البحث وصحة الاستنتاجات المستخلصة.
النتائج
تشير النتائج من الدراسة 1a إلى وجود علاقة سلبية كبيرة بين تعقيد الذكاء الاصطناعي ورضا تقييم الأداء، مما يؤكد الفرضية 1 (H1) بمعامل انحدار قدره $b = -0.18$ (p < 0.001). وُجد أن الثقة في الذكاء الاصطناعي تتوسط هذه العلاقة بالكامل، كما يتضح من تأثير غير مباشر كبير (تقدير = -0.44؛ 95% CI = [-0.62، -0.27]) وتأثير مباشر غير كبير (تقدير = -0.22؛ 95% CI = [-0.59، 0.15])، مما يؤكد الفرضية 3a (H3a). بالإضافة إلى ذلك، تم تأكيد وجود علاقة سلبية بين قوة اتخاذ القرار للذكاء الاصطناعي ورضا تقييم الأداء (H4: $b = -0.10$، p = 0.046)، بينما لم تتوسط العدالة الإجرائية هذه العلاقة، مما أدى إلى رفض الفرضية 6a (H6a). في الدراسة 1b، كانت مستويات أعلى من إنسانية الذكاء الاصطناعي مرتبطة إيجابيًا برضا تقييم الأداء (H2: $b = 0.11$، p = 0.023)، مع كون الثقة في الذكاء الاصطناعي تتوسط هذا التأثير بالكامل (H3b). أكدت الدراسة 1c وجود علاقة إيجابية بين قوة اتخاذ القرار للموظف ورضا تقييم الأداء (H5: $b = 0.35$، p < 0.001)، مع كون العدالة الإجرائية تتوسط هذه العلاقة جزئيًا (H6b). بشكل عام، تدعم النتائج عبر الدراسات الفرضيات المتعلقة بتعقيد الذكاء الاصطناعي، والإنسانية، وقوة اتخاذ القرار، مع تسليط الضوء على الدور الوسيط للثقة والعدالة الإجرائية في هذه الديناميات. كما قامت الدراسة 2 بتكرار هذه النتائج، مما يعزز قوة وعمومية النتائج.
المناقشة
تتناول فقرة المناقشة في ورقة البحث تأثير خصائص الذكاء الاصطناعي وقوة اتخاذ القرار في إجراءات تقييم الأداء على رضا الموظفين. مستندين إلى نظرية الإسناد الكلاسيكية والإسناد العلاقي، يجادل المؤلفون بأن الموظفين يفسرون تقييمات الأداء المعتمدة على الذكاء الاصطناعي من خلال الإسنادات الداخلية/الخارجية والإسنادات العلائقية، التي تتشكل من خلال تفاعلاتهم مع المقيمين بالذكاء الاصطناعي. على وجه التحديد، يرتبط تعقيد الذكاء الاصطناعي برضا أقل بسبب صعوبته المتصورة ونقص الوضوح، بينما تعزز مستويات أعلى من إنسانية الذكاء الاصطناعي—حيث يُنظر إلى الذكاء الاصطناعي على أنه يشبه الإنسان—الثقة والرضا. تشير النتائج إلى أن الثقة في الذكاء الاصطناعي تتوسط العلاقة بين خصائص الذكاء الاصطناعي ورضا التقييم، مما يدل على أن أنظمة الذكاء الاصطناعي الأكثر وضوحًا وقابلية للتواصل تعزز تجارب الموظفين الإيجابية.
بالإضافة إلى ذلك، تناقش الورقة كيف تؤثر قوة اتخاذ القرار على تصورات الموظفين للسيطرة والعدالة الإجرائية. عندما يمتلك الذكاء الاصطناعي قوة أكبر في اتخاذ القرار، يميل الموظفون إلى إسناد النتائج خارجيًا، مما يؤدي إلى عدم الرضا. على العكس، عندما يكون لدى الموظفين مزيد من السيطرة، من المحتمل أن يشعروا بالمسؤولية عن النتائج، مما يؤدي إلى رضا أعلى. يقترح المؤلفون أن العدالة الإجرائية المدركة تتوسط العلاقة بين قوة اتخاذ القرار ورضا التقييم، مما يبرز أهمية مشاركة الموظفين في عمليات التقييم. بشكل عام، تؤكد الدراسة على أهمية كل من خصائص الذكاء الاصطناعي والديناميات الإجرائية في تشكيل تجارب الموظفين في تقييمات الأداء المعتمدة على الذكاء الاصطناعي.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات للبحث المستقبلي بشأن استخدام الذكاء الاصطناعي في تقييمات الأداء. أولاً، تم إجراء البحث فقط داخل الولايات المتحدة، وهو سياق قد لا يمثل تمامًا العوامل البيئية الكلية المتنوعة التي تؤثر على اعتماد الذكاء الاصطناعي عالميًا، مثل الأطر التنظيمية، والظروف الاقتصادية، والاختلافات الثقافية. يجب أن تستكشف التحقيقات المستقبلية دور الذكاء الاصطناعي في تقييمات الأداء عبر سياقات دولية متنوعة لفهم هذه الظروف البيئية بشكل أفضل.
ثانيًا، بينما استخدمت الدراسة تجارب سيناريو لإقامة علاقات سببية، قد تفتقر هذه الطريقة إلى الواقعية مقارنةً بأساليب تجريبية أخرى. على الرغم من أن التجارب تم تصميمها مع اهتمام صارم بالصحة، فإن حداثة الذكاء الاصطناعي في إدارة الموارد البشرية تشير إلى أن البحث الإضافي باستخدام منهجيات متنوعة، مثل التجارب الميدانية، يمكن أن يوفر رؤى إضافية. بالإضافة إلى ذلك، بينما أكدت الدراسة على أهمية ثقة الموظفين في الذكاء الاصطناعي والعدالة الإجرائية المدركة كعوامل وسيطة في رضا تقييم الأداء، يجب أن تستكشف الأبحاث المستقبلية أيضًا الظروف الحدودية المحتملة وتأثيرات التعديل، مثل معتقدات الموظفين في قدرات الذكاء الاصطناعي وتوافر الموارد التنظيمية، لتعميق فهم تأثير الذكاء الاصطناعي على ردود فعل الموظفين.
DOI: https://doi.org/10.1002/hrm.70049
Publication Date: 2025-12-24
Author(s): Yuan Pan et al.
Primary Topic: AI and HR Technologies
Overview
This research paper section explores the implications of artificial intelligence (AI) in human resource management (HRM), particularly in the context of performance appraisals. It posits that AI should not only be viewed as a technical tool but also as a social actor that interacts with employees. Utilizing sociomateriality and attribution theory, the study investigates how the characteristics of AI raters and the distribution of decision-making power in appraisal processes affect employee satisfaction. Through three scenario-based experiments involving 1002 participants and a survey of 321 respondents, the findings reveal that these factors significantly influence employees’ satisfaction with performance appraisals.
The study emphasizes the necessity of acknowledging both the technical and social dimensions of AI in HRM practices. It provides practical insights for organizations implementing AI in performance appraisals and enhances the understanding of AI’s impact on employee experiences. The authors advocate for future research to further explore the conditions under which employee experiences are shaped by the entanglement of AI and human interactions, thereby contributing to a more nuanced understanding of AI’s role in workplace dynamics.
Introduction
The introduction of the research paper discusses the transformative impact of artificial intelligence (AI) on human resource management (HRM), particularly in the areas of recruitment and performance appraisals. While AI is recognized for enhancing efficiency and employee experience, there are conflicting findings regarding its implications for fairness and work conditions. The authors argue that the perception of AI as a neutral tool overlooks the complex sociotechnical interactions between AI and human actors, which can significantly influence employee satisfaction with AI-based performance appraisals.
To address gaps in existing literature, the study employs the sociomateriality paradigm to explore the intricate relationship between AI and human elements in performance appraisals. This approach emphasizes that technology’s significance emerges through its interactions with social structures. Additionally, the integration of attribution theory provides a framework for understanding how employees interpret these AI-human entanglements, particularly in terms of rater characteristics and appraisal procedures. By identifying the antecedents of employee satisfaction in AI-based performance appraisals, the research aims to deepen the understanding of employee experiences and contribute to the evolving discourse on AI in HRM.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. It details the selection of participants, the materials used, and the procedures followed during the study. Specific statistical methods and software utilized for data analysis are also described, ensuring reproducibility and transparency in the research process.
Additionally, the section may include any mathematical models or equations relevant to the analysis, such as regression models or other statistical tests, which are crucial for interpreting the results. The methodology is designed to address potential confounding variables and ensure that the findings are robust and reliable. Overall, this section serves as a foundation for understanding how the research was conducted and the validity of the conclusions drawn.
Results
The results from Study 1a indicate a significant negative relationship between AI complexity and performance appraisal satisfaction, confirming Hypothesis 1 (H1) with a regression coefficient of $b = -0.18$ (p < 0.001). Trust in AI was found to fully mediate this relationship, as evidenced by a significant indirect effect (estimate = -0.44; 95% CI = [-0.62, -0.27]) and a non-significant direct effect (estimate = -0.22; 95% CI = [-0.59, 0.15]), thus confirming Hypothesis 3a (H3a). Additionally, a negative relationship between AI's decision-making power and performance appraisal satisfaction was confirmed (H4: $b = -0.10$, p = 0.046), while procedural justice did not mediate this relationship, leading to the rejection of Hypothesis 6a (H6a). In Study 1b, higher AI anthropomorphism was positively related to performance appraisal satisfaction (H2: $b = 0.11$, p = 0.023), with trust in AI again fully mediating this effect (H3b). Study 1c confirmed a positive relationship between employee decision-making power and performance appraisal satisfaction (H5: $b = 0.35$, p < 0.001), with procedural justice partially mediating this relationship (H6b). Overall, the results across studies consistently support the hypotheses regarding AI complexity, anthropomorphism, and decision-making power, while highlighting the mediating role of trust and procedural justice in these dynamics. Study 2 further replicated these findings, reinforcing the robustness and generalizability of the results.
Discussion
The discussion section of the research paper elaborates on the influence of AI characteristics and decision-making power in performance appraisal procedures on employee satisfaction. Drawing from classical attribution theory and relational attribution, the authors argue that employees interpret AI-based appraisals through internal/external attributions and relational attributions, which are shaped by their interactions with AI raters. Specifically, the complexity of AI is linked to lower satisfaction due to its perceived difficulty and lack of clarity, while higher levels of AI anthropomorphism—where AI is perceived as humanlike—enhance trust and satisfaction. The findings suggest that trust in AI mediates the relationship between AI characteristics and appraisal satisfaction, indicating that clearer, more relatable AI systems foster positive employee experiences.
Additionally, the paper discusses how decision-making power affects employee perceptions of control and procedural justice. When AI holds greater decision-making power, employees tend to attribute outcomes externally, leading to dissatisfaction. Conversely, when employees have more control, they are likely to feel responsible for outcomes, resulting in higher satisfaction. The authors propose that perceived procedural justice mediates the relationship between decision-making power and appraisal satisfaction, highlighting the importance of employee involvement in appraisal processes. Overall, the study underscores the significance of both AI characteristics and procedural dynamics in shaping employee experiences in AI-based performance appraisals.
Limitations
The limitations of this study highlight several areas for future research regarding the use of AI in performance appraisals. Firstly, the research was conducted solely within the United States, a context that may not fully represent the diverse macroenvironmental factors influencing AI adoption globally, such as regulatory frameworks, economic conditions, and cultural differences. Future investigations should explore AI’s role in performance appraisals across various international contexts to better understand these environmental boundary conditions.
Secondly, while the study employed scenario experiments to establish causal relationships, this method may lack realism compared to other empirical approaches. Although the experiments were designed with rigorous attention to validity, the novelty of AI in HRM suggests that additional research using diverse methodologies, such as field experiments, could provide further insights. Additionally, while the study confirmed the importance of employees’ trust in AI and perceived procedural justice as mediating factors in performance appraisal satisfaction, future research should also explore potential boundary conditions and moderation effects, such as employees’ beliefs in AI’s capabilities and the availability of organizational resources, to deepen the understanding of AI’s impact on employee reactions.