الكلمات الرئيسية: ضغوط التكنولوجيا التحدي والعيق، نية اعتماد الذكاء الاصطناعي، التأثير الإيجابي، قلق الذكاء الاصطناعي، الكفاءة الذاتية التقنية

لقد وضعت التنفيذ الواسع للتقنيات الرقمية الذكاء الاصطناعي (AI) كعامل محفز في الثورة التكنولوجية المستمرة عبر مجالات متعددة. يمتد تأثير الذكاء الاصطناعي إلى مجالات مثل الابتكار في الأعمال، وتحويل العمليات، وخلق القيمة، والميزة التنافسية، واتخاذ القرارات الذكية. لقد دفع هذا التأثير المنظمات إلى دمج مما أدى إلى زيادة الكفاءة التنظيمية والإنتاجية والأداء والابتكار. وفقًا لدراسة حديثة، من الشركات الكبرى قد اعتمدت بالفعل الذكاء الاصطناعي، مما يبرز دوره
المحوري في مشهد الأعمال المعاصر. ومع ذلك، تؤدي متطلبات التكنولوجيا المتغيرة أيضًا إلى ضغط تكنولوجي بين الموظفين، مما يطرح تحديات وعوائق. كيف يمكن تعزيز نية الموظف في اعتماد الذكاء الاصطناعي يصبح المفتاح لتحقيق المزايا التنافسية بين الشركات.

ركزت الأبحاث حول مسببات نية اعتماد الذكاء الاصطناعي بشكل أساسي على أطر مثل نموذج قبول التكنولوجيا (TAM)، وإطار التكنولوجيا-المنظمة-البيئة (TOE)، ونظرية القبول واستخدام التكنولوجيا الموحدة (UTAUT). تشمل العوامل المؤثرة الرئيسية التي تم تحديدها في هذه الدراسات: 1). العوامل البيئية: بما في ذلك الضغط التنافسي والتأثير الاجتماعي. ). العوامل التكنولوجية: تتضمن المعرفة التقنية (مثل جاهزية التكنولوجيا والوعي، والألفة التكنولوجية)، والخصائص التقنية (مثل سهولة الاستخدام المدركة، والفائدة المدركة). 3). العوامل التنظيمية: تشمل الظروف الميسرة والمعايير الذاتية. ). العوامل المتعلقة بالفرد: تشمل سمات الشخصية (مثل الكفاءة الذاتية، والابتكار الشخصي)، والعواطف (مثل عدم الأمان الوظيفي، قلق الذكاء الاصطناعي ). بينما استكشفت الأبحاث السابقة العوامل المؤثرة على نية اعتماد الذكاء الاصطناعي للموظفين، إلا أن عددًا قليلاً من الدراسات قد بحثت في اعتماد الذكاء الاصطناعي كمصدر للضغط، مع نتائج غير حاسمة. لذلك، لسد هذه الفجوة، تهدف هذه الدراسة إلى استكشاف آليات التأثير لآثار الضغوط على نية اعتماد الذكاء الاصطناعي.

تم تحديد عدم التناسق في آثار الضغط التكنولوجي على الموظفين في الدراسات السابقة. يزعم بعض العلماء أن الضغط التكنولوجي ينتج عنه نتائج إيجابية، مثل زيادة الإنتاجية والابتكار، بينما يجادل آخرون بأنه قد يؤدي إلى مشاعر سلبية مثل القلق، والتوتر، والانزعاج، والإرهاق. قد تؤدي هذه المشاعر السلبية إلى تقليل نية اعتماد التكنولوجيا أو تؤدي إلى مقاومة أو عدم استخدام التقنيات الجديدة. لمعالجة هذا التناقض، تستخدم هذه الدراسة إطار الضغط التحدي-العيق (CHSF) لتصنيف الضغوط إلى ضغوط تحدي وضغوط عائق، كل منها له علاقات متميزة مع نتائج العمل. تعزز ضغوط التحدي النمو الشخصي والإنجاز، مما يعزز المواقف والسلوكيات الإيجابية في العمل. في المقابل، تعيق ضغوط العائق الإنجاز، مما يؤدي إلى مواقف وسلوكيات سلبية في العمل. وفقًا لبنليان، تصنف هذه الدراسة الضغط التكنولوجي إلى ضغوط تكنولوجيا التحدي (CTS) وضغوط تكنولوجيا العائق (HTS). سيساعد تحديد الطبيعة المزدوجة للضغط التكنولوجي في تعزيز فهمنا لتأثيراته المتنوعة على مواقف وسلوكيات العمل للموظفين.

تشير الأدبيات الحالية حول اعتماد التكنولوجيا الجديدة إلى أن استجابات الأفراد للتكنولوجيا تختلف على نطاق واسع، وهو ظاهرة تُعزى إلى مجموعة من المشاعر الإيجابية والسلبية التي تثيرها التكنولوجيا. لذلك، فإن فهم استجابات العواطف للتكنولوجيا بشكل أفضل أمر بالغ الأهمية. تهدف هذه الدراسة إلى توضيح الآليات النفسية من خلال عدسة نظرية الأحداث العاطفية (AET)، وهو نموذج نفسي يقترح أن الأحداث في العمل تثير استجابات عاطفية فردية، مما يؤثر لاحقًا على المواقف والسلوكيات. يتم استخدام AET في هذه الدراسة لتوضيح العلاقة المعقدة بين العواطف والمواقف والسلوكيات في أحداث العمل. تعمل العواطف كآلية محورية تربط هذه الأحداث بالمواقف والسلوكيات. من خلال دمج CHSF، تحفز ضغوط تكنولوجيا التحدي، كأحداث إيجابية، التأثير الإيجابي مثل الحماس والدافع، مما يعزز السلوك. على العكس، فإن ضغوط تكنولوجيا العائق، التي تُعتبر أحداثًا سلبية، تثير التأثير السلبي مثل الإرهاق والقلق، مما يعيق السلوك. وبالتالي، فإن الضغوط المختلفة تثير استجابات نفسية متميزة ونتائج سلوكية لاحقة.

تماشيًا مع AET، تعدل الخصائص الفردية الرابط بين أحداث العمل والاستجابات العاطفية، مما يؤثر على المواقف والسلوكيات. سمة فردية أساسية في هذا السياق هي الكفاءة الذاتية التقنية، التي تعكس ثقة الشخص وقدرته على أداء مهام تقنية محددة. تؤثر الكفاءة الذاتية التقنية بشكل كبير على قبول الأفراد للتقنيات الجديدة. بينما تم استكشاف تأثير الكفاءة الذاتية على اعتماد التكنولوجيا في الأدبيات الحالية، ركزت الأبحاث المحدودة على سياقات تكنولوجيا الذكاء الاصطناعي. قد تعمل الكفاءة الذاتية التقنية كأحد الشروط الحدودية التي تؤثر بشكل غير مباشر على نية اعتماد الذكاء الاصطناعي من خلال تجارب عاطفية مختلفة من التحدي وضغوط التكنولوجيا المعيقة.

من خلال توضيح آلية الوساطة واستكشاف الشروط الحدودية بين ضغوط التكنولوجيا المدفوعة بالذكاء الاصطناعي ونية الموظفين لاعتماد الذكاء الاصطناعي في مكان العمل، تقدم هذه الدراسة ثلاث مساهمات ملحوظة: 1. تحديد الطبيعة الثنائية للضغط التكنولوجي: تؤكد هذه الدراسة على الطبيعة الثنائية للضغط التكنولوجي وتأثيره الناتج على نية اعتماد الذكاء الاصطناعي. إنها تقدم رؤى قيمة حول تطبيق نظرية AET في سياق اعتماد الذكاء الاصطناعي. 2. دراسة عمليات ردود الفعل العاطفية: تحقق الدراسة بشكل منهجي في عمليات ردود الفعل العاطفية المتميزة المرتبطة بنية اعتماد الموظفين للذكاء الاصطناعي استجابة لنوعين من ضغوط التكنولوجيا. تعزز هذه الدراسة فهمنا للآليات النفسية الدقيقة المعنية في اعتماد تقنيات الذكاء الاصطناعي. 3. استكشاف

شرط الكفاءة الذاتية التقنية: تتناول هذه الدراسة شرط الكفاءة الذاتية التقنية، مما يساهم في فهم أعمق للاختلافات الفردية في اعتماد تكنولوجيا الذكاء الاصطناعي. باختصار، تسعى هذه الدراسة إلى تعزيز فهمنا للتعقيدات المحيطة باعتماد الذكاء الاصطناعي في مكان العمل، مقدمة رؤى قيمة لكل من التطوير النظري والتطبيقات العملية.

تفترض نظرية AET أن التقييم المعرفي للأفراد للأحداث العملية أمر حاسم في تحديد ردود أفعالهم العاطفية. يمكن تصنيف الأحداث العملية إلى نوعين: الأحداث المبهجة، التي تسهل تحقيق أهداف العمل وترتبط بالعواطف الإيجابية، والمشاكل أو الأحداث السلبية، التي تعيق إنجاز أهداف العمل وترتبط بالعواطف السلبية. ينتج الأفراد ردود أفعال عاطفية إيجابية أو سلبية بناءً على تقييمهم لما إذا كانت الأحداث العملية تعزز أو تعيق تحقيق قيم أهدافهم.

في سياق تكنولوجيا الذكاء الاصطناعي في مكان العمل، يتم تحديد مجموعة متنوعة من الأحداث العملية كضغوط تكنولوجية تحدي، مثل الحاجة إلى اكتساب مهارات تقنية جديدة، واستخدام تكنولوجيا الذكاء الاصطناعي للتعامل مع أعباء العمل الكبيرة، وإدارة تعدد المهام ومهام المشاريع، وحل المشكلات المعقدة. على العكس، تشمل ضغوط التكنولوجيا المعيقة عوامل مثل زيادة أعباء العمل، والصعوبات التقنية، والقيود الشرطية، والموارد غير الكافية. تعتبر الطريقة التي يدرك بها الموظفون هذه المتطلبات التقنية المتعلقة بالذكاء الاصطناعي أمرًا حاسمًا. إذا تم رؤية هذه المتطلبات كفرص للنمو الشخصي وتتماشى مع قيم أهداف الأفراد، فمن المحتمل أن يقيمها الموظفون كأحداث عمل مواتية، مصنفين إياها كضغوط تكنولوجية تحدي. بدورها، يمكن أن تؤدي هذه التقييمات إلى زيادة مبادرة الموظفين، ونظرة أكثر إيجابية، وزيادة الحماس للعمل، واستثارة ردود فعل عاطفية إيجابية. لذا، فإن التقييم المعرفي الإيجابي الذي ت triggered به ضغوط التكنولوجيا التحدي سيحفز ردود الفعل العاطفية الإيجابية لدى الأفراد. على العكس، إذا أدرك الموظفون أن المتطلبات التقنية للذكاء الاصطناعي تعيق تطويرهم المهني وتحقيق أهدافهم، فسوف يعتبرون هذه المتطلبات أحداث عمل غير مواتية، مصنفين إياها كضغوط تكنولوجية معيقة. يؤدي هذا التقييم إلى ردود فعل عاطفية سلبية، بما في ذلك القلق، والإحباط، والاكتئاب. غالبًا ما تؤدي التقييمات المعرفية السلبية التي ت triggered بها ضغوط التكنولوجيا المعيقة إلى ردود فعل عاطفية سلبية لدى الأفراد، مثل قلق الذكاء الاصطناعي. يشير قلق الذكاء الاصطناعي إلى القلق أو الخوف العام الذي يشعر به الأفراد تجاه العمل والحياة نتيجة لتقدم تكنولوجيا الذكاء الاصطناعي. تتوقع هذه الدراسة أن قلق الذكاء الاصطناعي يتم تحفيزه بواسطة ضغوط التكنولوجيا المعيقة، مما يؤثر سلبًا على الرفاهية البدنية والعقلية للموظفين وحياتهم العملية. لذا، نقترح:

H1a: ترتبط ضغوط التكنولوجيا التحدي المدفوعة بالذكاء الاصطناعي ارتباطًا إيجابيًا بالعواطف الإيجابية.
H1b: ترتبط ضغوط التكنولوجيا المعيقة المدفوعة بالذكاء الاصطناعي ارتباطًا إيجابيًا بقلق الذكاء الاصطناعي.

تمثل نية اعتماد التكنولوجيا استعداد الأفراد لقبول والانخراط مع التكنولوجيا الجديدة وتتنبأ بشكل كبير بسلوك الاعتماد الفعلي. وفقًا لنظرية AET، تؤثر ردود الفعل العاطفية للموظفين تجاه الأحداث العملية بشكل كبير على سلوكياتهم في مكان العمل. العواطف هي حالات نفسية وتجريبية موجهة نحو موضوع، مثل التكنولوجيا، أو شخص، أو حدث. أشارت الأبحاث السابقة إلى أن ردود فعل الموظفين تجاه التكنولوجيا الجديدة مستمدة من تجاربهم العاطفية معها. تعتبر العواطف محورية في نوايا الأفراد لاعتماد تكنولوجيا الذكاء الاصطناعي. تميل العواطف الإيجابية إلى تعزيز السلوكيات الإيجابية، بينما ترتبط العواطف السلبية بالسلوكيات السلبية. تعزز ردود الفعل العاطفية الإيجابية في العمل شعور الإنجاز ورغبة في استثمار المزيد من الوقت والجهد والانتباه للتغلب على التحديات المتعلقة بتكنولوجيا الذكاء الاصطناعي، وبالتالي تعزيز اعتماد الذكاء الاصطناعي. يمكن أن تعزز العواطف الإيجابية، التي تعتبر موردًا نفسيًا إيجابيًا، السلوكيات العملية الإيجابية من خلال زيادة الموارد النفسية للفرد. على العكس، تؤدي ردود الفعل العاطفية السلبية، وخاصة مشاعر العجز والشعور بنقص السيطرة أو آليات التكيف، إلى التهرب والانسحاب. غالبًا ما تتجلى ردود الفعل العاطفية السلبية كقلق تجاه تكنولوجيا الذكاء الاصطناعي، مما يقلل من الرغبة في الاعتماد. يعتبر قلق الذكاء الاصطناعي عاملاً مهمًا له تأثير سلبي على نية الفرد لاعتماد الذكاء الاصطناعي. استنادًا إلى المناقشة أعلاه، تقترح هذه الدراسة الفرضيات التالية:

H 2 a . ترتبط العواطف الإيجابية ارتباطًا إيجابيًا بنية اعتماد الذكاء الاصطناعي.
H2b. يرتبط قلق الذكاء الاصطناعي ارتباطًا سلبيًا بنية اعتماد الذكاء الاصطناعي.

تفترض نظرية AET أن الأحداث المتعلقة بالعمل تحفز ردود فعل عاطفية متنوعة. تؤثر هذه الردود، بدورها، بشكل كبير على التغيرات في المواقف والسلوكيات الفردية. تؤثر ردود الفعل العاطفية التي ت triggered بها أحداث الضغط العملي بشكل مباشر على سلوك الأفراد، مما يعمل كآلية وسيطة من خلالها تؤثر أحداث الضغط العملي على سلوك العمل. بالإضافة إلى ذلك، تشير نظرية CHSF إلى أن الضغوط المختلفة تثير ردود فعل عاطفية وسلوكية مختلفة. وجدت الأبحاث أن ضغوط التحدي تولد سلوكيات إيجابية لدى الأفراد من خلال العواطف الإيجابية، بينما تؤدي ضغوط المعيقة إلى سلوكيات سلبية من خلال العواطف السلبية. لذا، يمكن استنتاج أن ضغوط التكنولوجيا التحدي والمُعيقة قد يكون لها تأثيرات متفاوتة على نية اعتماد الذكاء الاصطناعي من خلال تجارب عاطفية متميزة.

للتعامل مع الضغط التكنولوجي المدفوع بالذكاء الاصطناعي، يقيم الموظفون ما إذا كان سيجلب تحديات أو عوائق. ستؤثر المشاعر الشديدة التي تثار أثناء التقييم، سواء كانت إيجابية أو سلبية، على نيتهم في اعتماد الذكاء الاصطناعي. في سياق تكنولوجيا الذكاء الاصطناعي، ينظر الموظفون الذين يرون فرص النمو والقيمة والتحديات التي تجلبها التكنولوجيا الجديدة إلى ضغوط التكنولوجيا التحدي كأحداث عمل إيجابية. يحفز هذا الإدراك ردود فعل عاطفية إيجابية ويحفز الموظفين على احتضان تكنولوجيا الذكاء الاصطناعي بنشاط، مما يزيد من نيتهم للاعتماد. على العكس، عندما يدرك الموظفون تعقيد التكنولوجيا، وعدم اليقين في المستقبل، وإمكانية فقدان الوظائف، تُعتبر ضغوط التكنولوجيا المعيقة أحداث عمل سلبية. تُثير ضغوط التكنولوجيا المعيقة تجارب عاطفية سلبية، مما قد يجعل الموظفين يشعرون بعدم القدرة على التكيف مع تغييرات العمل والتحكم في بيئة عملهم، وكل ذلك يخلق شعورًا بالقلق. يمكن أن يقلل هذا القلق من نية اعتماد الذكاء الاصطناعي. لذلك، استنادًا إلى السلسلة المنطقية “حدث عاطفي – استجابة عاطفية – موقف أو سلوك” ضمن إطار الأحداث العاطفية، نقترح:

H3a: تؤثر العواطف الإيجابية على العلاقة بين ضغوط التكنولوجيا التحدي ونية اعتماد الذكاء الاصطناعي.
H3b: تؤثر قلق الذكاء الاصطناعي على العلاقة بين ضغوط التكنولوجيا المعيقة ونية اعتماد الذكاء الاصطناعي.

تشير الكفاءة الذاتية التقنية إلى الأحكام الشخصية للأفراد بشأن معرفتهم ومهاراتهم أو قدراتهم المطلوبة لاستخدام التكنولوجيا، والتي تم تحديدها كآلية فعالة تؤثر على استجابات الموظفين العاطفية في مكان العمل. وفقًا لنظرية الأحداث العاطفية، تؤثر الكفاءة الذاتية التقنية للموظفين بشكل كبير على ردود أفعالهم تجاه ضغوط التكنولوجيا المتعلقة بالذكاء الاصطناعي.

من ناحية، عندما يواجه الموظفون ذوو الكفاءة الذاتية التقنية العالية ضغوط التكنولوجيا التحدي المدفوعة بالذكاء الاصطناعي، فإنهم يرون أنفسهم أكثر قدرة على التكيف مع التغييرات التكنولوجية الجديدة المتعلقة بالذكاء الاصطناعي. لديهم ثقة أكبر في تعلم تقنيات جديدة وإكمال مهام العمل. نتيجة لذلك، يمكنهم التحكم بفعالية والتغلب على هذه الضغوط التكنولوجية التحدي، وتحويلها إلى فرص للنمو الذاتي والتعلم والقيمة الشخصية. هذا المنظور الإيجابي يؤدي إلى تجارب عاطفية أكثر إيجابية. بعبارة أخرى، العلاقة الإيجابية بين ضغوط التكنولوجيا التحدي والعواطف الإيجابية أقوى للموظفين ذوي الكفاءة الذاتية التقنية العالية. على العكس، يشعر الموظفون ذوو الكفاءة الذاتية التقنية المنخفضة بأنهم أقل قدرة على التكيف مع البيئات الجديدة المتعلقة بالذكاء الاصطناعي واستخدام تقنيات الذكاء الاصطناعي بفعالية. يفتقرون إلى الثقة في التعامل مع هذه التحديات، مما يؤدي إلى تجارب عاطفية إيجابية أقل. من ناحية أخرى، يرى الموظفون ذوو الكفاءة الذاتية التقنية العالية ضغوط التكنولوجيا المعيقة كعقبات يمكن التغلب عليها. يديرون العوامل الضارة بفعالية، مما يقلل من المشاعر السلبية مثل قلق الذكاء الاصطناعي، الذي يرتبط بالمقاومة تجاه التغيير التكنولوجي. في الأساس، بالنسبة للموظفين ذوي الكفاءة الذاتية التقنية العالية، تصبح العلاقة الإيجابية بين ضغوط التكنولوجيا المعيقة والمشاعر السلبية ضعيفة نسبيًا. على العكس، يرى الموظفون ذوو الكفاءة الذاتية التقنية المنخفضة ضغوط التكنولوجيا المعيقة كأمور تتجاوز قدرتهم على التحكم والتكيف معها. تزيد هذه الرؤية من مشاعر التهديد لديهم وتؤدي إلى مشاعر سلبية مثل انعدام الأمن والقلق. بعبارة أخرى، بالنسبة للموظفين ذوي الكفاءة الذاتية التقنية المنخفضة، تكون العلاقة الإيجابية بين ضغوط التكنولوجيا المعيقة والمشاعر السلبية أقوى. وبالتالي، نقترح:

H4a: تعد الكفاءة الذاتية التقنية وسيطًا في العلاقة بين ضغوط التكنولوجيا التحدي المدفوعة بالذكاء الاصطناعي والعواطف الإيجابية، بحيث ستكون هذه العلاقة أقوى عندما تكون الكفاءة الذاتية التقنية عالية مقارنة عندما تكون منخفضة.

H4b: تعد الكفاءة الذاتية التقنية وسيطًا في العلاقة بين ضغوط التكنولوجيا المعيقة المدفوعة بالذكاء الاصطناعي وقلق الذكاء الاصطناعي، بحيث ستكون هذه العلاقة أضعف عندما تكون الكفاءة الذاتية التقنية عالية مقارنة عندما تكون منخفضة.

استنادًا إلى الفرضيات السابقة حول الوساطة والوساطة، نقترح فرضية الوساطة المعدلة من المرحلة الأولى. تعد الكفاءة الذاتية التقنية وسيطًا في العلاقة بين الضغط التكنولوجي المدفوع بالذكاء الاصطناعي والعاطفة، مما يؤثر لاحقًا على نوايا اعتماد الذكاء الاصطناعي. بشكل محدد، بالنسبة للموظفين ذوي الكفاءة الذاتية التقنية العالية، يكون التأثير غير المباشر لضغوط التكنولوجيا التحدي المدفوعة بالذكاء الاصطناعي على نوايا اعتماد الذكاء الاصطناعي من خلال العواطف الإيجابية أقوى، وأضعف بالنسبة لأولئك ذوي الكفاءة الذاتية التقنية المنخفضة. على العكس، بالنسبة للموظفين ذوي الكفاءة الذاتية التقنية العالية، يكون التأثير غير المباشر لضغوط التكنولوجيا المعيقة المدفوعة بالذكاء الاصطناعي على نوايا اعتماد الذكاء الاصطناعي من خلال قلق الذكاء الاصطناعي أضعف، وأقوى بالنسبة لأولئك ذوي الكفاءة الذاتية التقنية المنخفضة. وبالتالي،

H5a: تعد الكفاءة الذاتية التقنية وسيطًا في العلاقة الوسيطة لضغوط التكنولوجيا التحدي المدفوعة بالذكاء الاصطناعي ونية اعتماد الذكاء الاصطناعي من خلال العواطف الإيجابية، بحيث ستكون العلاقة الوسيطة أقوى عندما تكون الكفاءة الذاتية التقنية عالية مقارنة عندما تكون منخفضة.

H5b: تعد الكفاءة الذاتية التقنية وسيطًا في العلاقة الوسيطة لضغوط التكنولوجيا المعيقة المدفوعة بالذكاء الاصطناعي ونية اعتماد الذكاء الاصطناعي من خلال قلق الذكاء الاصطناعي، بحيث ستكون العلاقة الوسيطة أضعف عندما تكون الكفاءة الذاتية التقنية عالية مقارنة عندما تكون منخفضة.

وفقًا للفرضيات المقترحة أعلاه، تقترح هذه الدراسة الإطار البحثي التالي (انظر الشكل 1).

اعتمدت هذه الدراسة نهجًا شاملاً لجمع البيانات، مع التركيز بشكل خاص على الموظفين ضمن طيف واسع من الشركات المستهدفة التي تعتمد بشكل كبير على أجهزة أو تقنيات الذكاء الاصطناعي عبر مناطق وصناعات متنوعة. تم تسهيل تجنيد المشاركين من خلال استخدام طريقة العينة الثلجية، وهي طريقة تعتبر مناسبة للسياق الصيني.

تم اختيار ما مجموعه 400 مشارك من 11 شركة متميزة تقع في مقاطعة قوانغدونغ، الصين. شملت عينة المشاركين قطاعات متنوعة، بما في ذلك صناعة تكنولوجيا المعلومات، وصناعة الخدمات المالية، وصناعة التعليم، وصناعة التصنيع. كان الهدف من هذا النهج هو ضمان تمثيل شامل ومتعدد للمحترفين عبر مجالات مختلفة. علاوة على ذلك، لمعالجة الانحياز المحتمل في طريقة جمع البيانات، تم هيكلة عملية جمع البيانات كاستطلاع ثلاثي الموجات، حيث تم إجراء كل موجة بفواصل زمنية شهرية، كما أوصى به بودساكوف وآخرون. في

في الوقت 1، قدم المشاركون معلومات ديموغرافية واستجابوا لاستفسارات حول ضغوط التكنولوجيا التحدي والمُعيقة المدفوعة بالذكاء الاصطناعي. في الوقت 2، تم جمع بيانات تتعلق بالعواطف الإيجابية وقلق الذكاء الاصطناعي. في الوقت 3، تم جمع معلومات حول الكفاءة الذاتية التقنية ونية اعتماد الذكاء الاصطناعي. تم مطابقة الاستبيانات عبر المراحل الثلاث باستخدام آخر أربعة أرقام من أرقام الهواتف المحمولة.

في العملية الفعلية لتوزيع الاستبيانات، تعاوننا مع مديري الموارد البشرية أو المديرين من هذه الشركات لتوزيع الاستبيانات. قام مدراء الموارد البشرية/المديرون باختيار الموظفين عشوائيًا من مختلف الأقسام للمشاركة في الاستطلاع. استخدمنا طريقة توزيع عبر الإنترنت وإكمال الاستبيانات. شرحنا الاستخدام الأكاديمي لنتائج الاستطلاع وأكدنا للمستجيبين سرية ردودهم. استمرت عملية الاستطلاع بالكامل من يناير 2023 إلى أبريل 2023.

في قسم جمع بيانات الاستطلاع، خلال المرحلة الأولى، وزعنا استبيانات على 400 موظف، مما أسفر عن إجمالي 362 استجابة صالحة ومعدل استجابة فعال قدره . بعد شهر، في المرحلة الثانية من جمع الاستبيانات، وزعنا استبيانات على نفس 362 موظفًا الذين شاركوا في المرحلة الأولى، وحصلنا على إجمالي 333 استجابة صالحة وحققنا معدل استجابة فعال قدره . بعد شهر آخر، في المرحلة النهائية من جمع الاستبيانات، وزعنا استبيانات على 333 موظفًا الذين شاركوا في كل من المرحلتين الأولى والثانية، وحصلنا على إجمالي 301 استجابة صالحة وحافظنا على معدل استجابة فعال قدره . كان الانخفاض في حجم العينة في مراحل جمع البيانات المختلفة ناتجًا عن عدم توفر بعض المشاركين في الشركات خلال استطلاعنا، والذي قد يكون بسبب أسباب مثل الإجازات المرضية، ورحلات العمل، وعوامل فردية أخرى.

تظهر الإحصائيات الوصفية المتعلقة بالمشاركين في الجدول 1 أن كانوا ذكورًا، بينما كن إناثًا. من حيث توزيع الأعمار، شمل المشاركون أقل من سن بين سن 26 و30 تتراوح أعمار 31-35 عامًا، 16.9% تتراوح أعمارهم بين 36-40 عامًا، و16.0% كانوا فوق سن الأربعين. فيما يتعلق بالأدوار المهنية، شغل مناصب عادية، تم تعيينهم كعمال في الخطوط الأمامية، و شغلوا مناصب إدارية متوسطة أو عليا. فيما يتعلق بالمستوى التعليمي، حصلوا على درجات جامعية أو أقل، حصلوا على درجات البكالوريوس، و حققوا درجات الماجستير أو أعلى.

لضمان تكافؤ المقاييس بين النسختين الصينية والإنجليزية، وفقًا لـ برسلين اقتراح، بدأنا العملية بترجمة الاستبيان الأصلي إلى اللغة الصينية. بعد ذلك، استعنا بخبرات خبيرين ثنائيي اللغة لأداء ترجمة عكسية من الصينية إلى الإنجليزية. ثم تم مقارنة النسخة المترجمة عكسيًا مع النسخة الأصلية لتحديد أي تناقضات أو اختلافات في المعنى. إذا كانت هناك تناقضات

تم العثور على، وتم إجراء تعديلات على النسخة المترجمة. تتضمن هذه العملية التكرارية عدة جولات من الترجمة والترجمة العكسية حتى تم تحقيق مستوى مرضٍ من التكافؤ.

قمنا بتوظيف بنليان مقياس مكون من ستة عشر عنصرًا لتقييم ضغوط التكنولوجيا الناتجة عن التحديات والعوائق المدفوعة بالذكاء الاصطناعي. تم تصميم ثمانية عناصر بشكل خاص لقياس ضغوط التكنولوجيا التحدي، وتم تخصيص ثمانية عناصر إضافية لقياس ضغوط التكنولوجيا العائق. تشمل العناصر النموذجية “إنجاز الكثير من العمل باستخدام أجهزة أو تقنيات الذكاء الاصطناعي” لضغوط التكنولوجيا التحدي، و”مواجهة مشكلات أو متاعب كبيرة (مثل: تعطل، انهيار، أعطال) مع أجهزة أو تقنيات الذكاء الاصطناعي” لضغوط التكنولوجيا العائق. قام المستجيبون بتقييم جميع العناصر على مقياس ليكرت المكون من خمسة نقاط، يتراوح من (1) “أبدًا” إلى (5) “غالبًا جدًا”. كان معامل ألفا كرونباخ لضغوط التكنولوجيا التحدي 0.96، ولضغوط التكنولوجيا العائق كان أيضًا 0.96.

قمنا بتوظيف واتسون مقياس مكون من عشرة عناصر من PANAS لتقييم التأثير الإيجابي. طُلب من المشاركين الإشارة إلى الدرجة التي يختبرون بها عادةً مشاعر وعواطف مختلفة (مثل: الاهتمام، الحماس). تم تقييم جميع العناصر باستخدام مقياس ليكرت من خمس نقاط، يتراوح من (1) “قليل جداً أو لا شيء على الإطلاق” إلى (5) “بشكلٍ كبير جداً”. كانت قيمة ألفا كرونباخ لهذا المقياس 0.98.

استخدمنا طريقة وانغ ووانغ مقياس مكون من 21 عنصرًا لقياس قلق الموظفين من الذكاء الاصطناعي. كان أحد العناصر هو “أخشى أن تحل تقنية الذكاء الاصطناعي محل البشر”. تم تقييم جميع العناصر على مقياس ليكرت المكون من خمس نقاط، يتراوح من (1) “أبدًا” إلى (5) “كثيرًا جدًا”. كانت قيمة ألفا كرونباخ لهذا المقياس 0.98.

استخدمنا تورجا مقياس مكون من ثلاثة عناصر لقياس الكفاءة الذاتية التقنية. كان أحد العناصر النموذجية هو “أنا واثق من قدرتي على تعلم كيفية استخدام تقنية الذكاء الاصطناعي إذا أصبحت جزءًا من وحدتي”. تم تقييم جميع العناصر على مقياس ليكرت المكون من خمس نقاط، يتراوح من (1) “أعارض بشدة” إلى (5) “أوافق بشدة”. كانت قيمة ألفا كرونباخ لهذا المقياس 0.90.

استخدمنا كاراهانا مقياس مكون من عنصرين لقياس استعداد المشاركين لتبني تكنولوجيا الذكاء الاصطناعي في عملهم. كان أحد العناصر هو “أنوي تبني تكنولوجيا الذكاء الاصطناعي في عملي خلال الأشهر القادمة”. تم تقييم جميع العناصر على مقياس ليكرت المكون من خمس نقاط، يتراوح من (1) “أعارض بشدة” إلى (5) “أوافق بشدة”. كانت قيمة ألفا كرونباخ لهذا المقياس 0.89.

استنادًا إلى الرؤى المستمدة من الأبحاث السابقة، التي حددت العلاقات بين الجنس والعمر والتعليم والموقع الوظيفي مع نية اعتماد التكنولوجيا، تتحكم هذه الدراسة بشكل منهجي في هذه العوامل الديموغرافية. تشير الفهم السائد إلى أن الموظفين الأصغر سناً يميلون إلى إظهار مستوى مرتفع من نية اعتماد الذكاء الاصطناعي بسبب انفتاحهم المتزايد على المفاهيم الجديدة. بالإضافة إلى ذلك، يتم التمييز المتوقع بشأن الموظفين الذكور، مع التوقع أنهم سيظهرون موقفًا أكثر وضوحًا من القبول مقارنة بنظرائهم من الإناث. علاوة على ذلك، يُعتقد بشكل شائع أن الموظفين ذوي المستويات التعليمية الأعلى يميلون إلى قبول أكبر للابتكارات التكنولوجية المتقدمة.

في هذه الدراسة، تم إجراء تحليل إحصائي وصفي، وتقييم للموثوقية الداخلية للمقاييس، وفحص للعلاقات بين المتغيرات باستخدام SPSS الإصدار 21.0. تم إجراء تحليل العوامل التأكيدي (CFA) باستخدام Mplus 7.0. بالإضافة إلى ذلك، لاختبار فرضياتنا، اعتمدنا على ماكرو PROCESS لـ SPSS، الذي طوره هايز. تقدم هذه الأداة ميزتين رئيسيتين. أولاً، تعمل كأداة تحليل المسار، مما يسمح للباحثين باستكشاف تأثيرات الوساطة، والتعديل، والوساطة المعدلة في الوقت نفسه. ثانياً، تسهل الفحص المباشر لتأثيرات الوساطة المعدلة من خلال توفير مؤشر الوساطة المعدلة. في اختبار الفرضيات، اخترنا النموذج 4 والنموذج 7 من عملية.
أداة، تمثل وساطة ووساطة معتدلة مع تعديل في المرحلة الأولى. استخدمنا 5000 عملية إعادة عينة (bootstraps) وفترة ثقة (CI) لتقدير التأثيرات المقابلة.

تم إجراء اختبار عامل واحد من هارمان لتقييم إمكانية وجود انحياز في الطريقة المشتركة. أظهر التحليل أن العامل الأول يفسر من التباين، الذي انخفض دون العتبة المطلوبة لـ . وهذا يشير إلى أن انحياز الطريقة الشائعة لم يكن مصدر قلق كبير في هذه الدراسة.

تم إجراء سلسلة من تحليلات العوامل التأكيدية لفحص الصلاحية التمييزية لجميع متغيرات البحث، وتُعرض نتائج ملاءمة النموذج في الجدول 2. كما هو موضح في الجدول 2، فإن النموذج المفترض المكون من ستة عوامل، والذي يتضمن ضغوط التكنولوجيا التحديّة والعائق، التأثير الإيجابي، قلق الذكاء الاصطناعي، الكفاءة الذاتية التقنية، ونية اعتماد الذكاء الاصطناعي. تي إل آي ، ، و RMSEA ]، تناسب البيانات بشكل جيد (أي، تي إل آي SRMS و RMSEA ). علاوة على ذلك، أظهرت المقارنات بين النموذج المفترض وجميع النماذج البديلة باستخدام اختبارات فرق كاي-تربيع أن النموذج المفترض يوفر أفضل ملاءمة للبيانات، مما يدعم تمييز القياسات.

توضح الجدول 3 الإحصائيات الوصفية والارتباطات الثنائية بين متغيرات الدراسة. أظهرت النتائج وجود ارتباط إيجابي بين ضغوط التكنولوجيا التحديّة والمشاعر الإيجابية. ). بالإضافة إلى ذلك، أظهرت ضغوط تكنولوجيا العوائق ارتباطًا إيجابيًا مع قلق الذكاء الاصطناعي ( ). علاوة على ذلك، أشارت النتائج إلى وجود علاقة إيجابية بين التأثير الإيجابي ونية اعتماد الذكاء الاصطناعي ( )، في حين أن الذكاء الاصطناعي

ملاحظة: ن=301.
الاختصارات: CFI، مؤشر الملاءمة المقارن (قيمة القطع، 0.90)؛ TLI، مؤشر تاكر-لويس (قيمة القطع، 0.90)؛ SRMR، الجذر التربيعي المتوسط المعياري (قيمة القطع، 0.05)؛ RMSEA، الجذر التربيعي لمتوسط التقريب (قيمة القطع، 0.06).

أظهرت القلق علاقة سلبية مع نية اعتماد الذكاء الاصطناعي تقدم هذه النتائج دعماً أولياً للفرضيات 1أ، 1ب، 2أ، 2ب.

فيما يتعلق بالفرضيتين 1a و 1b، توقعنا وجود علاقة إيجابية بين ضغوط التكنولوجيا التحديّة والمشاعر الإيجابية وعلاقة إيجابية بين ضغوط التكنولوجيا المعيقة وقلق الذكاء الاصطناعي. كما هو موضح في الجدول 4 (M1-2، M2-2)، كشفت النتائج الإحصائية عن وجود علاقات إيجابية كبيرة بين ضغوط التكنولوجيا التحديّة والمشاعر الإيجابية. )، وبين ضغوط التكنولوجيا المعيقة وقلق الذكاء الاصطناعي ( لذلك، تم دعم الفرضيتين 1a و1b. بالانتقال إلى الفرضيتين 2a و2b، توقعنا وجود علاقة إيجابية بين التأثير الإيجابي ونية اعتماد الذكاء الاصطناعي، وعلاقة سلبية بين قلق الذكاء الاصطناعي ونية اعتماد الذكاء الاصطناعي. كشفت النتائج الإحصائية (الجدول 4، M1-3، M2-3) عن وجود علاقة إيجابية كبيرة بين التأثير الإيجابي ونية اعتماد الذكاء الاصطناعي. ) ، وعلاقة سلبية كبيرة بين ضغوط التكنولوجيا المعيقة وقلق الذكاء الاصطناعي ( ). لذلك، تم دعم الفرضيتين 2 أ و 2 ب. فرضت H3 أ و H3 ب أن التأثير الإيجابي يتوسط العلاقة بين ضغوط التكنولوجيا التحدي ونية اعتماد الذكاء الاصطناعي، بينما يتوسط قلق الذكاء الاصطناعي العلاقة بين ضغوط التكنولوجيا المعيقة ونية اعتماد الذكاء الاصطناعي، على التوالي. لفحص هذه التأثيرات الوسيطة، التزمنا بـ Hayes الإجراء. بعد الأخذ في الاعتبار التأثير الإيجابي، ظل تأثير ضغوط التكنولوجيا التحدي على نية اعتماد الذكاء الاصطناعي ذا دلالة إحصائية. )، مما يعني الوساطة الجزئية. وبالمثل، بعد أخذ قلق الذكاء الاصطناعي في الاعتبار، ظل تأثير ضغوط تكنولوجيا العوائق على نية اعتماد الذكاء الاصطناعي ذا دلالة إحصائية ( )، مما يدل على الوساطة الجزئية. كما أكدت نتائج التمهيد على أهمية التأثيرات غير المباشرة ( CI [0.10، سي آي وبالتالي، حصلت الفرضيتان 3أ و3ب على دعم.

تنبأت الفرضيتان 4a و4b بأن الكفاءة الذاتية التقنية تعدل العلاقة بين ضغوط التكنولوجيا التحديّة والمشاعر الإيجابية، وكذلك العلاقة بين ضغوط التكنولوجيا المعيقة وقلق الذكاء الاصطناعي، على التوالي. كما هو موضح في الجدول 5، لاحظنا تفاعلًا كبيرًا بين ضغوط التكنولوجيا التحديّة والكفاءة الذاتية التقنية في التنبؤ بالمشاعر الإيجابية. ). وبالمثل، كان هناك تفاعل كبير بين ضغوط التكنولوجيا المعيقة والكفاءة الذاتية التقنية في التنبؤ بقلق الذكاء الاصطناعي ( ). تعرض الأشكال 2 و 3 مخطط التفاعل استنادًا إلى القيم زائد وناقص انحراف معياري واحد عن متوسط الكفاءة الذاتية التقنية. توضح الشكل 2 أن العلاقة الإيجابية بين ضغوط التكنولوجيا الناتجة عن الذكاء الاصطناعي والمشاعر الإيجابية تكون أكثر وضوحًا بين الأفراد ذوي الكفاءة الذاتية التقنية العالية مقارنةً بأولئك ذوي الكفاءة الذاتية التقنية المنخفضة.

ملاحظات: I. تم الإبلاغ عن معاملات الانحدار غير المعيارية. حجم عينة البوتستراب = 5000. ; ; .
الاختصارات: CTS، ضغوط التكنولوجيا التحدي؛ HTS، ضغوط التكنولوجيا المعيقة؛ LL، الحد الأدنى؛ UL، الحد الأقصى؛ CI، فترة الثقة.

ملاحظة: N=301. حجم عينة البوتستراب=5000.
الاختصارات: CTS، ضغوط التكنولوجيا التحدي؛ HTS، ضغوط التكنولوجيا المعيقة؛ LL، الحد الأدنى؛ UL، الحد الأقصى؛ CI، فترة الثقة.
الفعالية. بالمقابل، توضح الشكل 3 أن العلاقة الإيجابية بين ضغوط التكنولوجيا المعوقة المدفوعة بالذكاء الاصطناعي والقلق من الذكاء الاصطناعي أقل وضوحًا بين الأفراد ذوي الكفاءة الذاتية التقنية العالية مقارنةً بأولئك ذوي الكفاءة الذاتية التقنية المنخفضة. وبالتالي، تم دعم الفرضيتين 4 أ و 4 ب.

كما هو موضح في الجدول 5، وُجد أن مؤشرات الوساطة المعتدلة كانت ذات دلالة إحصائية: تأثير غير مباشر باستخدام طريقة بووت = 0.18، بووت Boot LLCI = 0.08، Boot ULCI = 0.29 (مع التأثير الإيجابي كوسيط)؛ Boot التأثير غير المباشر = 0.12،

حذاء شركة بوت ذ.م.م بوت (مع القلق الناتج عن الذكاء الاصطناعي كوسيط). هذا يدعم الفرضيتين 5 أ و 5 ب.

من خلال دمج نظرية الأحداث العاطفية وإطار الضغوط التحدي والعائق، استكشفت هذه الدراسة كيف ومتى تؤثر ضغوط التكنولوجيا المدفوعة بالذكاء الاصطناعي على نية اعتماد الذكاء الاصطناعي. تسفر هذه الدراسة عن نتيجتين رئيسيتين. أولاً، تعزز ضغوط التكنولوجيا التحدي نية اعتماد الموظفين للذكاء الاصطناعي من خلال تحفيز المشاعر الإيجابية، بينما تقلل ضغوط التكنولوجيا العائق من نية اعتماد الذكاء الاصطناعي من خلال إثارة القلق المرتبط بالذكاء الاصطناعي. ردود فعل الموظفين العاطفية تجاه ضغوط التكنولوجيا المدفوعة بالذكاء الاصطناعي حاسمة لنية اعتمادهم للذكاء الاصطناعي. ثانياً، تعزز الكفاءة الذاتية التقنية التأثير الإيجابي لضغوط التكنولوجيا التحدي بينما تقلل من التأثير السلبي لضغوط التكنولوجيا العائق على ردود الفعل العاطفية ونية اعتماد الذكاء الاصطناعي اللاحقة. تشير هذه النتيجة إلى أن ثقة الموظفين في معرفتهم ومهاراتهم أو قدراتهم على استخدام تكنولوجيا الذكاء الاصطناعي تساعدهم على التكيف مع الضغوط التكنولوجية وعدم اليقين المرتبط بالذكاء الاصطناعي. توفر هذه الدراسة رؤى للدراسات والممارسات المستقبلية التي تهدف إلى فهم أفضل للحالات العاطفية للموظفين في سياق التحديات والعوائق المدفوعة بالذكاء الاصطناعي، بهدف تحسين استعدادهم لاعتماد التكنولوجيا وتعزيز كل من تطويرهم المهني والابتكار التنظيمي.

تساهم الدراسة في النظرية من الجوانب الثلاثة التالية:
أولاً، تُثري الدراسة الحالية الأدبيات الموجودة حول اعتماد تكنولوجيا الذكاء الاصطناعي من خلال كشف المتغير السابق للتوتر التكنولوجي. لقد أسفرت الأبحاث السابقة حول ما إذا كان التوتر التكنولوجي مفيدًا أو ضارًا للموظفين عن نتائج غير متسقة. تبحث هذه الدراسة في الطبيعة الثنائية للتوتر التكنولوجي، مميزةً بين التوتر التكنولوجي التحدي والتوتر التكنولوجي العائق في سياق تطبيقات الذكاء الاصطناعي، لتعميق فهم نية اعتماد الموظفين للذكاء الاصطناعي.

ثانيًا، تكشف هذه الدراسة، استنادًا إلى نظرية الأحداث العاطفية، عن الآليات النفسية التي تؤثر من خلالها ضغوط التكنولوجيا التحدي والعائق على اعتماد تكنولوجيا الذكاء الاصطناعي من خلال إدخال المشاعر الإيجابية والسلبية كمتغيرات وسيطة حاسمة. تشير النتائج إلى أن ضغوط التكنولوجيا التحدي والعائق المدفوعة بالذكاء الاصطناعي لها تأثيرات مختلفة على نية اعتماد الذكاء الاصطناعي من خلال استجابات عاطفية مختلفة، مما يضيف رؤى إلى الأدبيات الموجودة. توسع هذه الدراسة تطبيق نظرية الأحداث العاطفية في البحث حول اعتماد تكنولوجيا الذكاء الاصطناعي، مكملة النظريات السابقة.

ثالثًا، تعزز هذه الدراسة فهمنا للاختلافات الفردية في العلاقة بين ضغط التكنولوجيا واعتماد التكنولوجيا من خلال فحص تأثيرات الاعتبار الذاتي الفني. يعتبر الاعتبار الذاتي الفني موردًا شخصيًا للتعامل مع ضغط التكنولوجيا ويلعب دورًا محوريًا في إدارة الضغط داخل مكان العمل. تكشف هذه
الدراسة كيف يعتدل الاعتبار الذاتي الفني تأثير ضغط التكنولوجيا المدفوع بالذكاء الاصطناعي على اعتماد التكنولوجيا من خلال ردود الفعل العاطفية، مما يوفر تكملة قيمة لدراسة تطبيقات تكنولوجيا الذكاء الاصطناعي.

إن استعداد الموظفين لاعتماد تكنولوجيا الذكاء الاصطناعي أمر حاسم لدفع التحول التكنولوجي الفعال داخل المنظمات. تؤكد نتائج البحث على ثلاث تطبيقات عملية مع تأكيد كبير. أولاً، يجب على المديرين معالجة ضغط التكنولوجيا المدفوع بالذكاء الاصطناعي في مكان العمل، مع الاعتراف بتأثيره الثنائي. عندما يُنظر إليه كتحدٍ، يؤثر ضغط التكنولوجيا بشكل إيجابي على اعتماد الذكاء الاصطناعي من خلال تعزيز المشاعر الإيجابية. على العكس، عندما يُنظر إليه كعائق، فإنه يعيق اعتماد الذكاء الاصطناعي بسبب ظهور قلق الذكاء الاصطناعي. للتنقل في هذا التأثير الثنائي، يجب على المنظمات تنفيذ سير عمل ذكي، وتقديم الدعم الفني، وتمكين الموظفين من الاستقلالية والمشاركة. إن مواءمة مهارات العمل مع النمو الشخصي تعزز الفهم والتكيف مع تكنولوجيا الذكاء الاصطناعي المتطورة. بالإضافة إلى ذلك، فإن نظام الدعم التنظيمي الفعال أمر حاسم. إن تأطير ضغط التكنولوجيا المدفوع بالذكاء الاصطناعي كتحدٍ يشجع على اعتماد الذكاء الاصطناعي بشكل مقصود، مما يعزز بيئة إيجابية لكل من التطوير المهني والأهداف الشخصية.

ثانيًا، يجب على المنظمات الانتباه إلى ردود الفعل العاطفية للموظفين تجاه تكنولوجيا الذكاء الاصطناعي. من ناحية، يجب على المنظمات اتخاذ تدابير لمساعدة الموظفين على إدراك تكنولوجيا الذكاء الاصطناعي كتحدٍ لتحفيز المشاعر الإيجابية لدى الموظفين. على سبيل المثال، يمكن للمنظمات تعزيز فهم الموظفين ومشاركتهم في تكنولوجيا الذكاء الاصطناعي من خلال التواصل، والشرح، والتغذية الراجعة، وزيادة شعورهم بالانتماء. بالنسبة للموظفين الذين يتعاملون بشكل جيد مع تحديات الذكاء الاصطناعي، يجب على المنظمات مكافأتهم ومدحهم، وإشعال حماسهم، واستباقيتهم، وابتكارهم، وتعزيز اعتمادهم للذكاء الاصطناعي. من ناحية أخرى، للحد من قلق الذكاء الاصطناعي، يجب على المنظمات تقييم والتدخل في ردود الفعل العاطفية السلبية، ومن ثم منع مخاطر الصحة النفسية. على سبيل المثال، يمكن للمنظمات تقديم الاستشارات والدعم النفسي للموظفين من خلال برامج المساعدة والإرشاد، ومساعدتهم على التكيف مع التغييرات في العمل، وحماية صحتهم النفسية. توفر برامج المساعدة والإرشاد للموظفين الدعم العاطفي، والتغذية الراجعة، والإرشاد، وتحسن من اعتبارهم الذاتي والدافع في استخدام تكنولوجيا الذكاء الاصطناعي. تعتبر هذه التدخلات قيمة للموظفين للتغلب على المشاعر السلبية تجاه تكنولوجيا الذكاء الاصطناعي، مما يحسن من نية اعتمادهم للذكاء الاصطناعي.

وأخيرًا وليس آخرًا، يجب على المنظمات أخذ الاختلافات الفردية للموظفين في الاعتبار، وتصميم وتنفيذ برامج تدريب ودعم مستهدفة تتماشى مع احتياجاتهم الشخصية ومستويات مهاراتهم. تسهم هذه الجهود في تعزيز اعتبارهم الذاتي الفني الفردي، وتعزيز نية اعتماد الموظفين لتكنولوجيا الذكاء الاصطناعي، وتقوية التحول التكنولوجي العام والقدرات الابتكارية للمنظمة.

تحتاج ثلاث قيود لهذه الدراسة إلى الذكر. أولاً، كانت جميع المتغيرات في بحثنا تعتمد على التقارير الذاتية، مما قد يؤدي إلى تباين طريقة شائعة. على الرغم من أن هذه الدراسة قد عالجت جزئيًا هذه القلق من خلال استخدام عملية جمع بيانات ثلاثية الموجات وإجراء اختبار عامل هارمان الواحد للتحقق من صحة ما بعد، إلا أن البحث المستقبلي يمكن أن يقلل من مشكلة تباين الطريقة الشائعة من خلال دمج استجابات متعددة المصادر. على سبيل المثال، استخدام تقييمات المشرفين بدلاً من الاستبيانات المبلغ عنها ذاتيًا لتقييم سلوك اعتماد الموظفين للذكاء الاصطناعي سيقلل من التأثير المحتمل لتباين الطريقة الشائعة. ثانيًا، القياس الحالي للعاطفة يتجاهل الطبيعة الديناميكية والمعقدة للتقلبات اليومية في مشاعر الموظفين الناتجة عن ضغط التكنولوجيا. قد تؤدي هذه القيود إلى فهم غير مكتمل لكيفية تأثير ضغط التكنولوجيا على مشاعر الموظفين بمرور الوقت. من الضروري إجراء أبحاث مستقبلية تقوم بإجراء مسوحات يومية طولية حول ضغط التكنولوجيا لتقييم تأثيره العاطفي المتطور. ثالثًا، تدرس الدراسة فقط عامل الحدود على المستوى الفردي للاعتبار الذاتي الفني. الدراسات المستقبلية التي تحدد عوامل الحدود السياقية الأخرى، مثل القيادة الرقمية ومناخ الابتكار، ستعزز فهمنا لنوايا اعتماد الذكاء الاصطناعي.

تستكشف هذه الدراسة كيف ومتى تؤثر ضغوط التكنولوجيا التحدي والعائق المدفوعة بالذكاء الاصطناعي على نية اعتماد الذكاء الاصطناعي. تشير نتائج البحث إلى أن أنواعًا مختلفة من ضغط التكنولوجيا المدفوع بالذكاء الاصطناعي تحفز ردود فعل عاطفية متميزة تؤثر على استعداد الموظفين لاعتماد تكنولوجيا الذكاء الاصطناعي. تعزز العاطفة الإيجابية العلاقة الإيجابية بين ضغوط التكنولوجيا التحدي ونية اعتماد الذكاء الاصطناعي، بينما تعزز قلق الذكاء الاصطناعي العلاقة السلبية بين ضغوط التكنولوجيا العائق ونية اعتماد الذكاء الاصطناعي. علاوة على ذلك، يعتدل الاعتبار الذاتي الفني تأثير

ضغط التكنولوجيا المدفوع بالذكاء الاصطناعي على الاستجابات العاطفية. بشكل محدد، يعزز الاعتبار الذاتي الفني العالي العلاقة بين ضغوط التكنولوجيا التحدي المدفوعة بالذكاء الاصطناعي والعاطفة الإيجابية، بينما يضعف الاتصال بين ضغوط التكنولوجيا العائق المدفوعة بالذكاء الاصطناعي وقلق الذكاء الاصطناعي.

تم إجراء جميع إجراءات هذا البحث وفقًا لإعلان هلسنكي لعام 1964 وتعديلاته اللاحقة أو المعايير الأخلاقية المماثلة. قبل إجراء هذه الدراسة، تمت مراجعة المقترحات والمعايير الأخلاقية والموافقة عليها من قبل اللجنة الأكاديمية لجامعة ماكاو للعلوم والتكنولوجيا (رقم الموافقة: MSB20231212). علاوة على ذلك، قدمنا رسميًا لجميع المشاركين معلومات مهمة حول هذه الدراسة وحصلنا على موافقتهم قبل مشاركتهم في البحث. أخيرًا، جميع معلومات المشاركين سرية ومجهولة.

يتقدم المؤلفون بالشكر للمحررين والمراجعين المجهولين لتقديم تعليقات نقدية واقتراحات بناءة حول نسخة مبكرة من هذه المقالة. تبقى المسؤولية عن أي أخطاء مع المؤلفين.

تم دعم هذا البحث من قبل صندوق التعليم لحكومة منطقة ماكاو الإدارية الخاصة (رقم المنحة: HSS-MUST-2021-09).

يعلن المؤلفون عدم وجود أي تضارب في المصالح فيما يتعلق بهذا العمل.

يعد بحث النفس وإدارة السلوك مجلة دولية محكمة ومفتوحة الوصول تركز على علم النفس وتطبيقاته في إدارة السلوك لتحقيق نتائج محسنة في المجالات السريرية والتعليمية والرياضية والتجارية. تشمل الموضوعات المحددة التي تغطيها المجلة: علم الأعصاب، والذاكرة، واتخاذ القرار؛ تعديل السلوك وإدارته؛ التطبيقات السريرية؛ إدارة الأداء في الأعمال والرياضة؛ الدراسات الاجتماعية والتنموية؛ الدراسات الحيوانية. نظام إدارة المخطوطات بالكامل عبر الإنترنت ويشمل نظام مراجعة الأقران سريع وعادل، وهو سهل الاستخدام. زيارةhttp://www.dovepress.com/testimonials.phpلقراءة اقتباسات حقيقية من مؤلفين منشورين.

قم بتقديم مخطوطتك هنا: https://www.dovepress.com/psychology-research-and-behavior-management-journal

Keywords: challenge and hindrance technology stressors, AI adoption intention, positive affect, AI anxiety, technical self-efficacy

The extensive implementation of digital technologies has firmly positioned artificial intelligence (AI) as a catalyst in the ongoing technological revolution across various domains. AI’s impact reaches into realms such as business innovation, process transformation, value creation, competitive advantage, and intelligent decision-making. This influence has prompted organizations to progressively integrate leading to heightened organizational efficiency, productivity, performance, and innovation. According to a recent study, of large corporations have already adopted AI, underlining its
pivotal role in contemporary business landscapes. However, changing technology requirements also lead to technostress among employees, posing challenges and hindrances. How to enhance the employee’s AI adoption intention becomes the key in achieving competitive advantages among corporations.

Research on the antecedents of AI adoption intention has predominantly focused on frameworks such as the Technology Acceptance Model (TAM), the Technology-Organization-Environment (TOE) framework, and the Unified Theory of Acceptance and Use of Technology (UTAUT). Key influencing factors identified in these studies encompass: 1). environmental factors: including competitive pressure and social influence. ). technological factors: involving technical knowledge (e.g., technology readiness and awareness, technological familiarity), and technical characteristics (e.g., perceived ease of use, perceived usefulness). 3). organizational factors: encompassing facilitating conditions and subjective norms. ). individual-related factors: involving personality traits (e.g., self-efficacy, personal innovativeness), and emotions (e.g., job insecurity, AI anxiety ). While past research has explored factors influencing employees’ AI adoption intention, only a few studies have investigated AI adoption as a source of stress, with inconclusive findings. Therefore, to bridge this gap, this study aims to explore the influence mechanisms of the impact of stressors on AI adoption intention.

Inconsistencies in the effects of technostress on employees have been identified in previous studies. Some scholars posit that technostress yields positive outcomes, such as increased productivity and innovation, while others argue that it may induce negative emotions like anxiety, nervousness, uneasiness, and fatigue. These negative emotions could potentially reduce technology adoption intention or lead to resistance or non-use of new technologies. To address this inconsistency, this study employs the Challenge-Hindrance Stressor Framework (CHSF) to categorize stressors into Challenge Stressors and Hindrance Stressors, each with distinct relationships with work outcomes. Challenge stressors promote personal growth and accomplishment, fostering positive job attitudes and behaviors. In contrast, hindrance stressors obstruct achievement, leading to negative work attitudes and behaviors. Following Benlian, this study categorizes technostress into challenge technology stressors (CTS) and hindrance technology stressors (HTS). Identifying the dual nature of technostress will enhance our understanding of its diverse impacts on employees’ work attitudes and behaviors.

The existing literature on the adoption of new technology posits that individuals’ responses to technology vary widely, a phenomenon attributed to the range of positive and negative emotions triggered by technology. Thus, gaining a better understanding of emotional responses to technology is crucial. This study aims to elucidate the psychological mechanisms through the lens of the Affective Events Theory (AET), a psychological model proposing that work events trigger individual emotional responses, subsequently influencing attitudes and behaviors. The AET is employed in this study to explicate the intricate relationship between emotions, attitudes, and behaviors in work events. Affect serves as a pivotal mechanism linking these events to attitudes and behaviors. Integrating the CHSF, challenge technology stressors, as positive events, stimulate positive affect such as enthusiasm and motivation, thereby promoting behavior. Conversely, hindrance technology stressors, perceived as negative events, elicit negative affect such as exhaustion and anxiety, hindering behavior. Consequently, different stressors induce distinct psychological responses and subsequent behavioral outcomes.

In line with the AET, individual characteristics moderate the link between work events and emotional responses, thereby influencing attitudes and behaviors. An essential individual trait in this context is technical self-efficacy, reflecting a person’s confidence and ability to perform specific technical tasks. Technical self-efficacy significantly influences individuals’ acceptance of new technologies. While the impact of self-efficacy on technology adoption has been explored in the existing literature, limited research has focused on AI technology contexts. Technical selfefficacy may serve as one of the boundary conditions indirectly affecting AI adoption intention through different emotional experiences of challenge and hindrance technology stressors.

By elucidating the mediation mechanism and exploring the boundary conditions between AI-driven technology stressors and employees’ intention to adopt AI in the workplace, this study makes three notable contributions: 1. Delineating the Dualistic Nature of Technostress: This research underscores the dualistic nature of technostress and its consequential impact on AI adoption intention. It provides valuable insights into the application of the AET in the context of AI adoption. 2. Examining Affective Reaction Processes: The study systematically investigates the distinct affective reaction processes associated with employee AI adoption intention in response to two types of technostress. This examination enhances our understanding of the nuanced psychological mechanisms involved in the adoption of AI technologies. 3. Exploring the

Boundary Condition of Technical Self-Efficacy: This research delves into the boundary condition of technical self-efficacy, contributing to a deeper comprehension of individual differences in the adoption of AI technology. In sum, this study seeks to advance our understanding of the complexities surrounding AI adoption in the workplace, offering valuable insights for both theoretical development and practical implications.

The AET posits that individuals’ cognitive appraisal of work events is crucial in determining their affective reactions. Work events can be categorized into two types: uplifting events, which facilitate the achievement of work goals and are associated with positive affect, and hassles or negative events, which hinder the accomplishment of work goals and are associated with negative affect. Individuals generate positive or negative affective reactions based on their evaluation of whether work events promote or hinder the realization of their goal values.

In the context of AI technology in the workplace, various work events are identified as challenge technology stressors, such as the need to acquire new technical skills, utilizing AI technology to handle substantial workloads, managing multitasking and project assignments, and solving complex problems. Conversely, hindrance technology stressors include factors like increased workloads, technical difficulties, conditional limitations, and insufficient resources. The way employees perceive these AIrelated technical requirements is crucial. If these requirements are seen as opportunities for personal growth and align with individual goal values, employees are likely to assess them as favorable work events, categorizing them as challenge technology stressors. In turn, this assessment can lead to increased employee initiative, a more positive outlook, heightened work enthusiasm, and the elicitation of positive affective reactions. Thus, a positive cognitive assessment triggered by challenge technology stressors will activate individuals’ positive affective reactions. Conversely, if employees perceive that AI technical requirements hinder their career development and goal attainment, they will regard these requirements as unfavorable work events, categorizing them as hindrance technology stressors. This evaluation leads to negative affective reactions, including anxiety, frustration, and depression. Negative cognitive evaluations triggered by hindrance technology stressors often result in negative affective responses in individuals, such as AI anxiety. AI anxiety refers to the overall affective anxiety or fear that individuals experience towards work and life as a result of the advancement of AI technology. This study predicts that AI anxiety is triggered by hindrance technology stressors, negatively affect employees’ physical and mental well-being and work life. Therefore, we propose:

H1a: AI-driven challenge technology stressors are positively related to positive affect.
H1b: AI-driven hindrance technology stressors are positively related to AI anxiety.

Technology adoption intention represents individuals’ willingness to accept and engage with new technology and significantly predicts actual adoption behavior. According to the AET, employees’ emotional reactions to work events significantly influence their workplace behaviors. Emotions are psychological and experiential states directed towards an object, such as a technology, a person, or an event. Previous research has indicated that employees’ reactions to new technology are derived from their emotional experiences with it. Affect is pivotal in individuals’ intentions to adopt AI technology. Positive emotions tend to enhance positive behaviors, while negative emotions are linked to negative behaviors. Positive emotional reactions at work boost a sense of achievement and a willingness to invest more time, effort, and attention to overcome challenges related to AI technology, thus promoting AI adoption. Positive affect, considered a positive psychological resource, can enhance positive work behaviors by augmenting an individual’s psychological resources. Conversely, negative emotional reactions, particularly feelings of helplessness and a perceived lack of control or coping mechanisms, lead to avoidance and withdrawal. Negative emotional reactions often manifest as anxiety toward AI technology, reducing the willingness for adoption. AI anxiety is considered a significant factor that has a negative impact on an individual’s AI adoption intention. Based on the above discussion, this study proposes the following hypotheses:

H 2 a . Positive affect is positively related to AI adoption intention.
H2b. AI anxiety is negatively related to AI adoption intention.

The AET posits that work-related events trigger various affective responses. These responses, in turn, significantly influence changes in individual attitudes and behaviors. The affective responses triggered by work stress events directly influence individual behavior, serving as a mediating mechanism through which work stress events impact work behavior. Additionally, the CHSF suggests that distinct stressors elicit different affective and behavioral responses. Research has found that challenge stressors generate positive behaviors in individuals through positive affect, whereas hindrance stressors lead to negative behaviors through negative affect. Therefore, it can be inferred that challenge and hindrance technology stressors may have varying effects on AI adoption intention through distinct affective experiences.

To cope with AI-driven technostress, employees assess whether it will bring challenges or hinderances. The intense emotions evoked during the assessment, whether positive or negative, will influence their intention to adopt AI. In the context of AI technology, employees who perceive growth opportunities, value, and challenges brought by the new technology view challenge technology stressors as positive work events. This perception triggers positive affective reactions and motivates employees to actively embrace AI technology, increasing their intention for adoption. Conversely, when employees perceive technological complexity, future uncertainty, and the possibility of job displacement, hindrance technology stressors are seen as negative work events. Hindrance technology stressors trigger negative affective experiences, potentially making employees feel incapable of adapting to work changes and controlling their work environment, all of which create a sense of anxiety. This anxiety can reduce AI adoption intention. Therefore, based on the logical chain of “affective event – affective response – attitude or behavior” within the framework of affective events, we propose:

H3a: Positive affect mediates the relationship between challenge technology stressors and AI adoption intention.
H3b: AI anxiety mediates the relationship between hindrance technology stressors and AI adoption intention.

Technical self-efficacy refers to individuals’ personal judgments regarding their knowledge, skills, or abilities required for using technology, which has been identified as an effective mechanism influencing employees’ emotional responses in the workplace. According to the AET, employees’ technical self-efficacy significantly affects their reactions to AIrelated stressors.

On the one hand, when employees with higher technical self-efficacy encounter AI-driven challenge technology stressors, they perceive themselves as more capable of adapting to new AI technological changes. They have greater confidence in learning new technologies and completing work tasks. As a result, they can effectively control and overcome these challenge technology stressors, transforming them into opportunities for self-growth, learning, and personal value. This positive outlook leads to more positive emotional experiences. In other words, the positive relationship between challenge technology stressors and positive emotions is stronger for employees with higher technical self-efficacy. Conversely, employees with lower technical self-efficacy feel less capable of adapting to new AI environments and using AI technologies effectively. They lack confidence in handling these challenges, resulting in fewer positive emotional experiences. On the other hand, employees with higher technical self-efficacy view hindrance technology stressors as obstacles that can be overcome. They effectively manage the detrimental factors, reducing negative emotions such as AI anxiety, which is associated with resistance towards technological change. Essentially, for employees with higher technical self-efficacy, the positive relationship between hindrance technology stressors and negative emotions becomes relatively weak. Conversely, employees with lower technical self-efficacy perceive hindrance technology stressors as beyond their ability to control and cope with. This perception increases their feelings of threat and leads to negative emotions such as insecurity and anxiety. In other words, for employees with lower technical self-efficacy, the positive relationship between hindrance technology stressors and negative emotions is stronger. Thus, we propose:

H4a: Technical self-efficacy moderates the relationship between AI-driven challenge technology stressors and positive affect, such that this relationship will be stronger when technical self-efficacy is high than when it is low.

H4b: Technical self-efficacy moderates the relationship between AI-driven hindrance technology stressors and AI anxiety, such that this relationship will be weaker when technical self-efficacy is high than when it is low.

Based on the above hypotheses of mediation and moderation, we propose the first-stage moderated mediation hypothesis. Technical self-efficacy moderates the relationship between AI-driven technostress and affect, subsequently influencing AI adoption intentions. Specifically, for employees with high technical self-efficacy, the indirect effect of AIdriven challenge technology stressors on AI adoption intentions through positive affect is stronger, and weaker for those with low technical self-efficacy. Conversely, for employees with high technical self-efficacy, the indirect effect of AIdriven hindrance technology stressors on AI adoption intentions through AI anxiety is weaker, and stronger for those with low technical self-efficacy. Thus,

H5a: Technical self-efficacy moderates the mediating relationship of AI-driven challenge technology stressors and AI adoption intention through positive affect, such that the mediated relationship will be stronger when the technical selfefficacy is high than when it is low.

H5b: Technical self-efficacy moderates the mediating relationship of AI-driven hindrance technology stressors and AI adoption intention through AI anxiety, such that the mediated relationship will be weaker when the technical self-efficacy is high than when it is low.

According to the above proposed hypotheses, this study proposes the following research framework (See Figure 1).

This study adopted a comprehensive approach for data collection, specifically focusing on employees within a broad spectrum of targeting enterprises heavily dependent on AI devices or technologies across diverse regions and industries. The recruitment of participants was facilitated through the utilization of snowball sampling, a method deemed appropriate for the Chinese context.

A total of 400 participants were selected from 11 distinct companies located in Guangdong province, China. The sample participants spanned various sectors, including the information technology industry, financial services industry, education industry, and manufacturing industry. This approach aimed to guarantee a comprehensive and diverse representation of professionals across various fields. Furthermore, to address potential common method bias, the data collection process was structured as a three-wave survey, with each wave conducted at one-month intervals, as recommended by Podsakoff et al. At

Time 1, participants provided demographic information and responded to inquiries about AI-driven challenge and hindrance technology stressors. At Time 2, data pertaining to positive affect and AI anxiety were gathered. At Time 3, information regarding technical self-efficacy and AI adoption intention was collected. The questionnaires across three stages were matched using the last four digits of the mobile phone numbers.

The actual process of distributing the questionnaires, we partnered with human resources managers or directors from these companies to distribute the questionnaires. The HR managers/directors randomly selected the employees of various departments to participate in the survey. We employed an online distribution and questionnaire completion method. We explained the academic use of the survey results and assured respondents of the confidentiality of their responses. The entire survey process transpired from January 2023 to April 2023.

In the survey data collection section, during the first phase, we distributed questionnaires to 400 employees, resulting in a total of 362 valid responses and an effective response rate of . One month later, in the second phase of questionnaire collection, we distributed questionnaires to the same 362 employees who participated in the first phase, receiving a total of 333 valid responses and achieving an effective response rate of . After another month, in the final phase of questionnaire collection, we distributed questionnaires to the 333 employees who participated in both the first and second phases, obtaining a total of 301 valid responses and maintaining an effective response rate of . The reduction in sample size at different stages of data collection was attributed to the unavailability of some participants in the companies during our survey, which could be due to reasons such as sick leave, business trips, and other individual factors.

The descriptive statistics related to the participants in Table 1 reveal that were male, while were female. In terms of age distribution, the participants comprised below the age of between the ages of 26 and 30 , aged 31-35, 16.9% aged 36-40, and 16.0% were above the age of 40. Regarding occupational roles, held ordinary positions, were designated as frontline workers, and occupied middle or senior managerial positions. Regarding educational attainment, possessed college degrees or lower, held bachelor’s degrees, and had achieved master’s degrees or beyond.

To ensure the equivalence of measures between the Chinese and English versions, following Brislin’s suggestion, we initiated the process by translating the original questionnaire into Chinese. Subsequently, we enlisted the expertise of two bilingual foreign-language experts to perform a back-translation from Chinese to English. The back-translated version was then compared to the original version to identify any discrepancies or differences in meaning. If discrepancies were

found, adjustments were made to the translated version. This iterative process involve multiple rounds of translation and back translation until a satisfactory level of equivalence was achieved.

We employed Benlian’s sixteen-item scale to assess AI-driven challenge and hindrance technology stressors. Specifically, eight items were designed to measure challenge technology stressors, and an additional eight items were dedicated to gauging hindrance technology stressors. Sample items include “Complete a lot of work with AI devices or technologies” for challenge technology stressors, and “Encounter major troubles or hassles (e.g., breakdown, crash, malfunctions) with AI devices or technologies” for hindrance technology stressors. Respondents rated all items on a fivepoint Likert scale, ranging from (1) “never” to (5) “extremely often”. The Cronbach’s alpha coefficient for challenge technology stressors was 0.96, and for hindrance technology stressors, it was also 0.96.

We employed Watson’s ten-item scale from the PANAS to assess positive affect. Participants were requested to indicate the degree to which they typically experienced different feelings and emotions (e.g., interested, enthusiastic). All items were evaluated using a five-point Likert scale, ranging from (1) “very slightly or not at all” to (5) “extremely”. The Cronbach’s alpha for this scale was 0.98 .

We used the Wang and Wang’s 21-item scale to measure employees’ AI anxiety. A sample item was “I am afraid that an AI technique may replace humans”. All items were rated on a five-point Likert scale, ranging from (1) “never” to (5) “very often”. The Cronbach’s alpha for this scale was 0.98 .

We used Turja’s three-item scale to measure technical self-efficacy. A sample item was “I’m confident in my ability to learn how to use AI technique if they were to become part of my unit”. All items were rated on a five-point Likert scale, ranging from (1) “strongly disagree” to (5) “strongly agree”. The Cronbach’s alpha for this scale was 0.90.

We used Karahanna’s two-item scale to measure participants’ willingness to adopt AI technology in their work. A sample item was “I intend to adopt AI technology in my job within the next months”. All items were rated on a fivepoint Likert scale, ranging from (1) “strongly disagree” to (5) “strongly agree”. The Cronbach’s alpha for this scale was 0.89.

Building upon insights derived from prior research, which identified associations between gender, age, education, and occupational position with technology adoption intention, this study systematically controls for these demographic factors. The prevailing understanding suggests that younger employees tend to manifest a heightened level of AI adoption intention due to their increased openness to novel concepts. Additionally, an anticipated distinction is made concerning male employees, with the expectation that they will exhibit a more pronounced attitude of acceptance than their female counterparts. Furthermore, it is commonly posited that employees with higher educational levels are inclined towards a greater acceptance of advanced technological innovations.

In this study, descriptive statistical analysis, assessment of internal reliability for the scales, and examination of correlations between variables were conducted using SPSS v21.0. Confirmatory factor analysis (CFA) was performed using Mplus 7.0. Additionally, to test our hypotheses, we adopted the PROCESS macro for SPSS, developed by Hayes. This tool offers two key advantages. Firstly, it functions as a path-analytic tool, allowing researchers to simultaneously explore mediation, moderation, and moderated mediation effects. Secondly, it facilitates a direct examination of moderated mediation effects by providing an Index of Moderated Mediation. In hypotheses testing, we selected Model 4 and Model 7 from the Process
tool, representing a mediation and a moderated mediation with the first-stage moderation. We employed 5000 bootstraps and a confidence interval (CI) for estimating the corresponding effects.

A Harman’s single-factor test was conducted to assess the possibility of common method bias. The analysis revealed that the first factor explained of the variance, which fell below the required threshold of . This suggests that common method bias was not a significant concern in this study.

A series of confirmatory factor analyses were performed to examine the discriminant validity of all research variables, and the results of the model fit are presented in Table 2. As indicated in Table 2, the hypothesized six-factor model, which includes challenge and hindrance technology stressors, positive affect, AI anxiety, technical self-efficacy, and AI adoption intention , TLI , , and RMSEA ], fits the data well (i.e., , TLI , SRMS and RMSEA ). Furthermore, comparisons of the hypothesized model with all alternative models using chi-square difference tests revealed that the hypothesized model provides the best fit to the data, thereby supporting the discriminability of the measures.

Table 3 depicts the descriptive statistics and bivariate correlations among the study variables. The findings revealed a positive correlation between challenge technology stressors and positive affect ( ). Additionally, hindrance technology stressors exhibited a positive association with artificial intelligence anxiety ( ). Furthermore, the results indicated a positive relationship between positive affect and AI adoption intention ( ), whereas AI

Note: N=301.
Abbreviations: CFI, Comparative Fit Index (cutoff value, 0.90); TLI, Tucker-Lewis Index (cutoff value, 0.90); SRMR, Standardized Root Mean square (cutoff value, 0.05); RMSEA, Root Mean Square of Approximation (cutoff value, 0.06).

anxiety displayed a negative correlation with AI adoption intention ( ). These results provide initial support for Hypotheses 1a, 1b, 2a, 2b.

Regarding Hypotheses 1a and 1b, we predicted a positive relationship between challenge technology stressors and positive affect and a positive relationship between hindrance technology stressors and AI anxiety. As presented in Table 4 (M1-2, M2-2), statistical results revealed significant positive relationships between challenge technology stressors and positive affect ( ), and between hindrance technology stressors and AI anxiety ( ). Therefore, Hypotheses 1a and 1b were supported. Moving on to Hypotheses 2a and 2b, we anticipated a positive relationship between positive affect and AI adoption intention, and a negative relationship between AI anxiety and AI adoption intention. Statistical results (Table 4, M1-3, M2-3) unveiled a significant positive relationship between positive affect and AI adoption intention ( ), and a significant negative relationship between hindrance technology stressors and AI anxiety ( ). Therefore, Hypotheses 2 a and 2 b were supported. H3a and H3b posited that positive affect mediates the relationship between challenge technology stressors and AI adoption intention, while AI anxiety mediates the relationship between hindrance technology stressors and AI adoption intention, respectively. To examine these mediation effects, we adhered to Hayes procedure. After accounting for positive affect, the effect of challenge technology stressors on AI adoption intention remained significant ( ), implying partial mediation. Similarly, after accounting for AI anxiety, the effect of hindrance technology stressors on AI adoption intention remained significant ( ), signifying partial mediation. The bootstrapping results also validated the significance of the indirect effects ( CI [0.10, CI ), respectively. Thus, Hypotheses 3a and 3b received support.

Hypotheses 4a and 4b predicted that technical self-efficacy moderates the relationship between challenge technology stressors and positive affect, as well as the relationship between hindrance technology stressors and AI anxiety, respectively. As shown in Table 5, we observed a significant interaction between challenge technology stressors and technical self-efficacy in predicting positive affect ( ). Similarly, there was a significant interaction between hindrance technology stressors and technical self-efficacy in predicting AI anxiety ( ). Figures 2 and 3 display the interaction plot based on values plus and minus one standard deviation from the mean of technical self-efficacy. Figure 2 illustrates that the positive relationship between AI-driven challenge technology stressors and positive affect is more pronounced among individuals with high technical self-efficacy than those with low technical self-

Notes: I. Unstandardized regression coefficients are reported. Bootstrap sample size=5000. ; ; .
Abbreviations: CTS, challenge technology stressors; HTS, hindrance technology stressors; LL, lower limit; UL, upper limit; CI, confidence interval.

Note: N=301. Bootstrap sample size=5000.
Abbreviations: CTS, challenge technology stressors; HTS, hindrance technology stressors; LL, lower limit; UL, upper limit; CI, confidence interval.
efficacy. In contrast, Figure 3 demonstrates that the positive relationship between AI-driven hindrance technology stressors and AI anxiety is less prominent among individuals with high technical self-efficacy when compared to those with low technical self-efficacy. Thus, Hypotheses 4 a and 4 b were supported.

As indicated in Table 5, the indices of moderated mediation were found to be significant: Boot indirect effect = 0.18, Boot , Boot LLCI = 0.08, Boot ULCI = 0.29 (with positive affect as a mediator); Boot indirect effect = 0.12,

Boot , Boot LLCI , Boot (with AI anxiety as a mediator). This lends support to Hypotheses 5 a and 5 b .

By incorporating the Affective Events Theory and the Challenge-Hindrance Stressor Framework, this study explored how and when AI-driven challenge and hindrance technology stressors influence AI adoption intention. This study yields two major research findings. First, challenge technology stressors enhance employees’ AI adoption intention by triggering positive affect, while hinderance technology stressors reduce AI adoption intention by eliciting AI anxiety. Employees’ emotional reactions to AI-driven technostress are crucial for their AI adoption intention. Second, technical self-efficacy amplifies the positive effect of challenge technology stressors while diminishes the negative effect of hindrance technology stressors, on affective reactions and subsequent AI adoption intention. This finding suggests that employees’ confidence in their knowledge, skills, or abilities to use AI technology help them to cope with the technostress and uncertainty associated with AI. This study provides insights for future studies and practices aimed at better understanding employees’ emotional states in the context of AI-driven challenges and hindrances, with the goal of improving their willingness to adopt technology and promoting both their professional development and organizational innovation.

The study contributes to the theory in the following three aspects:
First, the current study enriches the existing literature on AI technology adoption by unraveling the antecedent variable of technostress. Previous research on whether technostress is beneficial or detrimental to employees has produced inconsistent results. This study investigates the dualistic nature of technostress, distinguishing challenge and hindrance technostress in the context of AI applications, to deepen the understanding of employees’ AI adoption intention.

Second, this study, based on the AET, reveals the psychological mechanisms through which challenge and hindrance technology stressors influence AI technology adoption by introducing positive and negative emotions as crucial mediating variables. The results indicate that AI-driven challenge and hindrance technology stressors have different effects on AI adoption intention through different emotional responses, adding insights into the existing literature. This study extends the application of the Affective Events Theory to the research on AI technology adoption, supplementing previous theories.

Third, this study enhances our understanding of individual differences in the relationship between technostress and technology adoption by examining the moderation effects of technical self-efficacy. Technical self-efficacy serves as a personal resource for coping with technostress and plays a pivotal role in stress management within the workplace. This
study reveals how technical self-efficacy moderates the impact of AI-driven technostress on technology adoption through emotional reactions, providing valuable supplementation to the study of AI technology applications.

Employees’ willingness to adopt AI technologies is critical for driving effective technological transformation within organizations. The research findings underscore three practical implications with significant emphasis. First, managers must address AI-driven technostress in the workplace, recognizing its dualistic impact. When viewed as a challenge, technostress positively influences AI adoption by fostering positive emotions. Conversely, when perceived as a hindrance, it hampers AI adoption due to the emergence of AI anxiety. To navigate this dualistic impact, organizations should implement intelligent workflows, offer technical support, and empower employees with autonomy and involvement. Aligning job skills with personal growth enhances understanding and adaptation to evolving AI technologies. Additionally, an effective organizational support system is crucial. Framing AI technostress as a challenge encourages intentional AI adoption, fostering a positive environment for both professional development and personal goals.

Second, organizations should pay attention to employees’ emotional reactions to AI technology. On the one hand, organizations should take measures to help employees perceive AI technology as a challenge to stimulate employees’ positive emotions. For example, organizations can enhance employees’ understanding and involvement of AI technology through communication, explanation, and feedback, and increase their identification and belonging. For employees who cope well with AI challenges, organizations should reward and praise them, and ignite their enthusiasm, proactiveness, and innovation, and promote their AI adoption. On the other hand, to curb AI anxiety, organizations should evaluate and intervene in negative emotional reactions, and prevent mental health risks. For example, organizations can offer psychological counseling and support to employees through assistance and mentoring programs, and help them adapt to the work changes, and protect their mental health. The assistance and mentoring programs provide employees with emotional support, feedback, and guidance, and improve their self-efficacy and motivation in using AI technology. These interventions are valuable for employees to overcome negative emotions toward AI technology, improving their AI adoption intention.

Last but not least, organizations should take employees’ individual differences into account, design and implement targeted training and support programs that align with their personalized needs and skill levels. These efforts contribute to enhancing individual technical self-efficacy, promoting employees’ AI technology adoption intention, and strengthening the organization’s overall technological transformation and innovative capabilities.

Three limitations of this study need to be mentioned. First, all variables in our research were based on self-reporting, potentially resulting in common method variance. Although this study has partially addressed this concern by employing a three-wave data collection process and conducting Harman’s single-factor test for post hoc verification, future research could further mitigate the common method variance issue by incorporating multi-source responses. For instance, using supervisor assessments instead of self-reported questionnaires to evaluate employees’ AI adoption behavior would minimize the potential impact of common method variance. Second, the current measurement of affect overlooks the dynamic and complex nature of daily fluctuations in employees’ emotions caused by technology-related stress. This limitation may lead to an incomplete understanding of how technostress affects employees’ emotions over time. Future research conducting longitudinal daily surveys on technology-related stress to assess its evolving emotional impact is necessary. Third, the study only examines the individual level boundary factor of technical self-efficacy. Future studies that identify other contextual boundary factors, such as digital leadership and innovation climate, comprehend our understanding of AI adoption intention.

This study investigates how and when AI-driven challenge and hindrance technology stressors influence AI adoption intention. Research findings indicate that different types of AI-driven technostress trigger distinct affective reactions to influence employees’ willingness to adopt AI technology. Positive affect mediates the positive relationship between challenge technology stressors and AI adoption intention, while AI anxiety mediates the negative relationship between hindrance technology stressors and AI adoption intention. Furthermore, technical self-efficacy moderates the impact of

AI-driven technostress on affective responses. Specifically, high technical self-efficacy strengthens the relationship between AI-driven challenge technology stressors and positive affect, while weakening the connection between AIdriven hindrance technology stressors and AI anxiety.

All procedures of this research were conducted in accordance with the 1964 Declaration of Helsinki and its later amendments or comparable ethical standards. Before conducting this study, the proposals and ethical standards were reviewed and approved by the academic committee of Macau University of Science and Technology (Approval number: MSB20231212). Moreover, we formally introduced to all participants important information about this study and obtained their consent before they participated in the research. Finally, all participant information is anonymous and confidential.

The authors wish to thank the editors and anonymous reviewers for providing critical comments and constructive suggestions on an early version of this article. Responsibility for any errors remains with the authors.

This research has been supported by the Education Fund of the Macao SAR Government (grant no. HSS-MUST-2021-09).

The authors declare no conflicts of interest in relation to this work.

Psychology Research and Behavior Management is an international, peer-reviewed, open access journal focusing on the science of psychology and its application in behavior management to develop improved outcomes in the clinical, educational, sports and business arenas. Specific topics covered in the journal include: Neuroscience, memory and decision making; Behavior modification and management; Clinical applications; Business and sports performance management; Social and developmental studies; Animal studies. The manuscript management system is completely online and includes a very quick and fair peer-review system, which is all easy to use. Visit http://www.dovepress.com/testimonials.php to read real quotes from published authors.

Submit your manuscript here: https://www.dovepress.com/psychology-research-and-behavior-management-journal