研究背景

研究问题：这篇文章探讨了人工智能相关任务复杂性如何影响员工的创新工作行为，特别是通过应对理论视角进行分析。
研究难点：该问题的研究难点包括：如何量化和测量AI相关任务的复杂性，如何区分和测量员工的不同应对策略（如问题聚焦应对和情感聚焦应对），以及如何验证这些策略对创新工作行为的影响。
相关工作：该问题的研究相关工作包括：评估AI意识、使用频率和AI相关焦虑对员工行为的影响（Arboh et al., 2025; Chuang & Huang, 2025; Dong et al., 2024b; Nguyen et al., 2025; Radic et al., 2024），强调AI工具如何提高任务效率和员工创造力（Przegalinska et al., 2025; Wu & Zhang, 2024; J. Q. Xu et al., 2025），以及探讨任务复杂性对员工创新行为的影响（Passalacqua et al., 2025; Teng et al., 2023）。

研究方法

论文提出了一个调节的双路径模型，用于解决AI相关任务复杂性如何影响员工创新工作行为的问题。具体来说，
AI相关任务复杂性与应对策略的关系：首先，假设AI相关任务复杂性会正向影响问题聚焦应对（H1a）。根据应对理论，当员工感知到外部情境具有挑战性或不确定性时，他们会采用各种应对策略来调节情绪状态和心理调整。问题聚焦应对是一种积极的策略，强调对当前情况的评估和采取行动以解决问题。
应对策略与创新工作行为的关系：其次，假设问题聚焦应对会正向影响创新工作行为（H1b）。创新工作行为是指员工在工作中主动生成、促进和实施新想法的过程。问题聚焦应对通过增强员工的内在动机和控制感，促进他们的学习和持续改进行为，从而提高解决问题的能力和创造力。
AI相关任务复杂性与情感聚焦应对的关系：此外，假设AI相关任务复杂性会正向影响情感聚焦应对（H2a）。情感聚焦应对是一种消极的策略，主要通过情绪反应、回避或自我沉浸来缓解压力。当员工感知到高任务复杂性时，他们更倾向于采用情感聚焦应对来缓解负面情绪和恢复心理平衡。
情感聚焦应对对创新工作行为的影响：最后，假设情感聚焦应对会负向影响创新工作行为（H2b）。情感聚焦应对通过转移员工的注意力，减少探索行为和降低创新，特别是在面对复杂任务时。
AI机会感知的调节作用：引入AI机会感知作为关键边界条件，假设AI机会感知会加强AI相关任务复杂性与问题聚焦应对之间的正相关关系（H3），并减弱情感聚焦应对对创新工作行为的负向影响（H5）。AI机会感知是指员工对AI可能带来的潜在利益（如职业发展、技能提升和工作优化）的主观认可。

实验设计

研究采用了三波时间滞后设计，数据收集通过在线调查工具Credamo进行。参与者来自北京和上海的五家公司，涵盖服务和互联网行业。通过公司人力资源部门的协助，员工自愿参与调查，并保证响应严格保密。每两波之间有两周的间隔。
第一波（T1）：发放487份问卷，回收442份有效响应，响应率为90.76%。数据包括AI相关任务复杂性、AI机会感知和人口统计信息。
第二波（T2）：发放442份问卷，回收388份有效响应，响应率为87.78%。数据包括问题聚焦应对和情感聚焦应对。
第三波（T3）：针对第二波受访者，要求他们自评创新工作行为表现。最终回收353份有效响应，响应率为90.97%。
结果与分析
可靠性和有效性测试：所有变量的Cronbach’s α和复合可靠性（CR）均超过推荐阈值0.70，表明量表具有良好的内部一致性。探索性因子分析（EFA）和验证性因子分析（CFA）结果显示量表的结构有效性和判别效度良好。

假设检验：结构方程模型（SEM）分析结果表明，AI相关任务复杂性正向影响问题聚焦应对（B=0.144, p<0.01），问题聚焦应对正向影响创新工作行为（B=0.441, p<0.01），情感聚焦应对负向影响创新工作行为（B=-0.138, p<0.01）。

中介效应检验：通过Bootstrap分析，发现AI相关任务复杂性通过问题聚焦应对对创新工作行为有显著正向间接效应（中介效应=0.063, SE=0.023, 95% CI[0.020, 0.111]），通过情感聚焦应对对创新工作行为有显著负向间接效应（中介效应=-0.034, SE=0.013, 95% CI[-0.062, -0.012]）。
调节效应检验：AI机会感知与AI相关任务复杂性的交互作用对问题聚焦应对有显著正向影响（B=0.116, p<0.01），对情感聚焦应对有显著负向影响（B=-0.092, p<0.05）。简单斜率分析进一步证实了这些交互作用的影响。

总体结论

这篇论文通过应对理论视角，揭示了AI相关任务复杂性对员工创新工作行为的双重影响。研究发现，AI相关任务复杂性可以激发员工采用问题聚焦应对策略，但也可能触发情感聚焦应对策略，从而对创新工作行为产生积极和消极的影响。此外，AI机会感知在这些问题中起到了关键的调节作用，加强了问题聚焦应对的积极影响，并减弱了情感聚焦应对的消极影响。这些发现为理解AI集成工作环境中的员工行为提供了新的理论视角和实践指导。

AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

​

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

​

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓