The Impact of Artificial Intelligence Usage on Employee Voice and Silence Behavior: The Mediating Role of Work Rumination and Work Autonomy

Zhao Chenhui,Tang Hao

(School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073, China)

Abstract：In recent years, the rapid development of artificial intelligence technologies, such as intelligent robots and voice recognition, has become a key force driving the transformation of China′s economy. Artificial intelligence technologies can enhance human intelligence by enabling autonomous learning, communication, interaction, and problem-solving. In order to reduce labor inputs and increase work efficiency, more and more organizations are introducing AI technologies into their work. With the application of AI technology in the workplace, on the one hand, employees recognize that AI usage can help them perform redundant tasks and process complex data, which leads to experience positive emotions . A number of studies have also shown that AI usage can promote employees′ sense of work enthusiasm, job engagement and organizational citizenship behaviors. On the other hand, it can impose new work requirements on employees. The complexity of the technology can induce negative psychological emotions and increase employees′ work stress and job insecurity, which could lead to emotional exhaustion, employees′ burnout, knowledge hiding, and intentions to leave.

Scholars have viewed AI usage as a form of technological stress that leads to anxiety and insecurity, which in turn affects employee performance, proactive behavior, and job crafting. AI usage as a stressor can significantly affect employees′ attitudes and behaviors at work. In addition, organizations that want to stand out in a complex and changing economic environment need to rely on the wisdom of their employees, for example, employee voice. Employee voice in the organization will be affected by work pressure. Therefore, AI usage as a stressor has an impact on employee voice and silence. However, few studies have focused on the double-edged sword effect of its impact on employee voice and silence from the perspective of the cognitive activation theory of stress. This theory posits that employees cognitively appraise the outcomes of stressors as positive or negative, which can spill over into non-work time and trigger adaptive or non-adaptive psychological responses. Regarding AI, such appraisals can lead to problem-solving adaptive responses or emotionally centered non-adaptive ones. In Chinese culture, the concept of "Zi Xing" is reflected in employees′ work as rumination, which is split into problem-solving pondering and affective rumination. AI usage can activate problem-solving pondering and affective rumination among employees, which ultimately influences employees′ voice and silent behaviors.

In Study 1, a scenario experiment was conducted with 240 employees who use AI technology in their daily work, recruited via the Credamo platform in China. A between-subjects experimental design with two factors (AI technology application: high vs. low; job autonomy: high vs. low) was employed. In Study 2 (questionnaire survey) , employees from organizations using AI were recruited via the WJX online data collection platform. A three-stage time-lagged data collection approach was adopted to mitigate the impact of common method bias. Research hypotheses were tested and the empirical results show that through the mechanism of problem-solving pondering, artificial intelligence usage has a positive influence on employee voice and a negative impact on employee silence; via the mechanism of affective rumination, the artificial intelligence negatively affects employee voice and positively influences employee silence; work autonomy strengthens the positive effect of artificial intelligence usage on problem-solving pondering and weakens the positive impact of artificial intelligence usage on affective rumination.

This study makes the following theoretical contributions. First, this study confirms that AI usage can affect employees′ voice and silent behaviors in terms of problem-solving pondering and affective rumination, respectively. This not only broadens the research horizons of the impact of AI usage, but also enriches the antecedent research of employees′ voice and silent behaviors from the perspective of stress cognitive activation theory of stress. Second, this study brings in job rumination in the research framework, which broadened the scope of the impact of AI usage on employees′ attitudes and behaviors, and also provided a novel explanatory framework for the research on the mechanism of the impact of AI usage on employees′ voice and silence. Finally, this study incorporates job autonomy into the impact of AI usage on employees′ voice and silence, further enriching the boundary conditions for the study from the perspective of job resources.

Key Words：Artificial Intelligence Usage; Problem-solving Pondering; Affective Rumination; Employee Voice; Employee Silence

DOI：10.6049/kjjbydc.D22024120437

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.92

文献标识码：A

文章编号：1001-7348(2025)14-0021-13

收稿日期：2024-12-17

修回日期：2025-03-31

基金项目：国家社会科学基金项目(23BSH098);教育部人文社会科学研究基金项目(20YJA630096)

作者简介：赵琛徽(1970—),男,湖北大悟人,博士,中南财经政法大学工商管理学院教授、博士生导师,研究方向为组织行为与人力资源管理;汤昊(1990—),女,河南郑州人,中南财经政法大学工商管理学院博士研究生,研究方向为组织行为与人力资源管理。

0 引言

近年来,智能机器人、语音识别、无人驾驶等人工智能技术蓬勃发展,已成为驱动中国传统经济转型的关键力量。人工智能技术是指能够执行自主学习、交流互动和问题解决的扩展人类智能的技术[1]。为降低劳动力投入和提高工作效率,越来越多的组织把人工智能技术引入到工作中。随着人工智能技术在工作场所中的应用,一方面,员工认识到人工智能技术可帮助他们完成冗杂工作和处理复杂数据,也体会到人工智能技术应用所带来的技术时尚感和积极情绪。如有学者指出,人工智能技术可提高员工工作旺盛感和组织公民行为,促进员工工作重塑[2]。另一方面,人工智能技术应用也给员工提出新工作要求,技术复杂性会诱发员工的消极心理情绪,加剧员工工作压力和工作不安全感,进而导致员工情绪耗竭。如人工智能技术会加剧员工职业倦怠感、知识隐藏行为和离职意向[3]。

Chang等[4]将人工智能技术应用视为一种技术压力,其会导致员工焦虑和不安,进而影响员工绩效;Huang &Gursoy[5]从压力交互理论视角分析人工智能技术应用对员工主动性创新行为的影响。相似地,Cheng等[6]也证实人工智能技术应用被视为一种挑战性压力源和阻碍性压力源,进而对员工工作重塑具有差异化影响。因此,随着人工智能技术的快速发展及其在工作中的普及应用,人工智能技术应用作为一种压力源会对员工工作态度和行为产生积极或消极影响[4]。此外,组织要在复杂、多变的经济环境中脱颖而出,需要依靠员工智慧(即员工建言),从而帮助组织持续创新和快速发展[7]。人工智能给员工带来的技术压力会对员工建言行为产生影响,从而影响组织变革和创新[8]。因此,探索人工智能技术应用对员工建言和沉默的影响已成为学术界和企业管理者关注的焦点[5]。

从理论层面看,以往对员工建言和沉默前因的探索主要聚焦于情绪因素、认知因素、领导因素和组织因素等[9-11],忽视了人工智能技术应用这一压力源因素。同时,鲜有研究从压力认知激活理论视角关注人工智能技术应用对员工建言和沉默影响的“双刃剑”效应。因此,本研究重点探索人工智能技术应用对员工建言和沉默的影响;从实践层面看,随着大数据时代的到来和人工智能技术在工作中的普及,企业要不断提高生存能力和维持创新性需要依赖员工智慧,即员工建言。同时,员工对人工智能技术应用这一压力源的积极或消极认知评价又会对员工建言和沉默行为产生差异化影响[5]。可见,深入探索人工智能技术应用对员工建言和沉默的积极影响对于维持组织创新源动力具有重要意义。

人工智能技术应用作为一种压力源通过何种机制作用于员工建言和沉默?在哪些情况下员工会对人工智能技术这一压力源产生更为积极的评价?为解决这些问题,本研究引入压力认知激活理论,从压力认知角度探索人工智能技术应用对员工建言和沉默的影响。压力认知激活理论指出,员工会对压力源所带来的结果预期进行积极或消极评价,这种认知评价会延续到非工作时间,从而激活员工适应性或非适应性心理反应,进而影响员工行为[12]。市场多变的竞争环境使员工工作强度和压力不断加大,员工在下班后会常常持续思考与工作有关的问题[8]。因此,根据压力认知激活理论,员工对人工智能技术应用这一压力源积极或消极的认知评价会触发员工在非工作时间以问题解决为导向的适应性心理反应(问题解决沉思)或以情绪为中心的非适应性心理反应(情感反刍)。

中国文化强调“吾日三省吾身”和“自省以修身”,自省反映在员工身上就是工作反刍[8]。工作反刍包含问题解决沉思和情感反刍两部分内容。其中,问题解决沉思是指员工在非工作时间围绕工作问题和目标进行持续思考,这会激发员工工作动机[13];情感反刍聚焦于工作带来的消极情感,使个体在下班后有意识地回想这些消极情绪,从而不断陷入自我内耗,进而减少工作投入[14]。因此,人工智能技术应用可能会激活员工的问题解决沉思和情感反刍,从而影响员工建言和沉默行为[15]。

进一步地,工作自主性可能是人工智能技术应用通过问题解决沉思和情感反刍影响员工建言和沉默的重要边界条件。根据压力认知激活理论,员工拥有的资源会影响其对压力源带来结果预期的评价,从而影响员工心理反应,进而影响员工后续创新行为[12]。工作自主性作为一种重要的工作态度,可满足个体对工作灵活性和自主性的需要,激发员工工作动机,减轻员工身心消耗[16]。当人工智能技术应用这一压力源出现时,员工对其结果预期的认知评价受工作自主性的影响。换言之,当员工在组织中拥有较高的工作自主性时,他对人工智能技术应用结果预期的评价会更加积极,从而驱动非工作时间的问题解决沉思及后续建言行为;反之,当员工在组织中拥有较低的工作自主性时,他对人工智能技术应用结果预期的消极评价会增加,从而提高员工下班后的工作反刍及后续沉默行为[16]。因此,本研究认为,人工智能技术应用通过问题解决沉思和情感反刍对员工建言和沉默的影响在很大程度上取决于员工拥有工作自主性的高低。综上,本研究基于压力认知激活理论,构建人工智能技术应用对员工建言和沉默行为的影响模型,揭示问题解决沉思和情感反刍的中介效应以及工作自主性的调节作用,通过采用情景实验和三阶段问卷调研法对整体模型进行验证,以期为组织更好地发挥人工智能技术应用的积极效应提供启发。

1 理论分析与研究假设

1.1 压力认知激活理论

Meurs &Perrewe[12]综合资源保存理论、压力交互理论、持续性认知理论等观点提出压力认知激活理论,强调压力源会持续引发生理和心理激活,使个体对压力源积极或消极的认知评价延续到非工作时间。压力认知激活理论将压力源影响个体行为分为3个过程:首先,当压力源出现时,个体会对它的结果预期进行认知评价,预期压力源会给自身带来积极还是消极的结果。其次,认知评价会激活个体心理反应,如果评价是积极的,个体会采取以问题解决为导向的适应性心理反应;相反,如果评价是消极的,个体则会采取以情绪为中心的非适应性心理反应。最后,心理反应会导致个体一系列积极或消极的行为结果[12]。此外,压力认知激活会延长员工对压力源积极或消极的评价,使员工表现出工作反刍行为(问题解决沉思和情感反刍)[17]。

人工智能(AI)技术应用是指员工在工作中使用AI技术(一种包含自主学习、快速计算、精确决策的新兴技术),如机器学习、语音识别、无人驾驶等[5]。人工智能技术按照类别主要划分为机器学习、深度学习、自然语言处理和计算机视觉等[1,15,18],按照功能划分为学习与推理、图像和语音识别、自然语言处理、规划与决策等[2,4,18]。人工智能技术可代替员工完成冗杂和重复工作,帮助员工作出决策和激发员工创新行为[4]。人工智能技术应用能帮助员工处理大量数据,解决复杂问题并作出精准决策,减少员工工作任务,提高员工工作效率,增加闲置资源[6]。根据压力认知激活理论,这些积极结果会触发员工的积极认知评价[12]。相反,人工智能技术应用也给员工提出更高的岗位要求,会增加员工工作不安全感和失业焦虑,使员工面临资源损耗[18],这些消极结果会触发员工的消极评价认知[12]。

1.2 问题解决沉思的中介作用

调查显示,70%的员工会在非工作时间思考工作,这种在下班后仍持续思考工作的状态称为工作反刍[19]。工作反刍是指个体在非工作时间有意识、持续地对工作事件或工作感受反复思考的状态[18]。工作反刍会加深员工对工作的积极和消极认知,从而影响员工工作行为[14]。问题解决沉思是指员工在非工作时间围绕工作目标、工作压力和工作问题进行持续思考,包括员工坚信通过思考会找到问题解决方案,最终产生积极评价,产生积极情绪[20-21]。

根据压力认知激活理论,人工智能技术应用作为压力源会持续性激活员工生理、心理和行为反应[12]。人工智能技术应用可为员工提供有价值的信息,减轻员工工作负荷,提高员工工作效率,使员工获得积极的工作经历和体验[22]。人工智能技术还能帮助员工获得闲置资源,促使员工利用这些资源探索新知识和新技能,进而帮助员工实现更高的绩效和工作目标[2]。员工会预期人工智能技术应用给自身带来积极结果,即给出积极的结果预期评价,这会激活员工心理反应,使员工采取以问题解决为导向的应对方式,即表现出问题解决沉思[12]。因此,本研究认为人工智能应用会触发员工的问题解决沉思。

员工建言是指员工结合自己对工作的认识与理解,提出与工作目标和组织发展相关建议的主动性行为[7]。与员工建言相反,员工沉默是指员工由于种种原因有意识地保留对组织发展建议的行为[23]。问题解决沉思作为一种资源恢复方式,沉思过程会使员工发现工作的意义,促使员工对工作加以重视并持续努力[13]。如回顾人工智能技术应用给自己带来的积极工作体验,这种体验会给员工带来积极情绪,从而激发员工主动性创新行为[21]。总之,员工建言和沉默行为易受员工情绪的影响,积极情绪会促进员工建言,抑制员工沉默[24]。据此,本文提出以下假设:

H1a:人工智能技术应用通过增加问题解决沉思,正向影响员工建言;

H1b:人工智能技术应用通过增加问题解决沉思,负向影响员工沉默。

1.3 情感反刍的中介作用

人工智能技术应用提高了工作智能化程度,要求员工拥有更高的知识技能来适应这一变化[25]。人工智能技术应用对岗位提出新工作要求,会提高员工失业风险。岗位工作要求越高,员工就越容易产生消极情绪,从而引发员工的情绪耗竭和职业倦怠[6]。人工智能技术替代部分工作岗位,可独立思考并作出精准决策,使员工感受到技术进步带来的紧张感和威胁感,增加员工工作不安全感和消极情绪[6]。因此,根据压力认知激活理论,员工会预期人工智能技术应用给自身带来的消极结果,即给出消极的结果预期评价,这会激活员工采取以情绪为中心的心理反应[12]。这种消极结果预期还会溢出到非工作时间,使员工在下班后不断回想这些消极的情绪体验,从而触发情感反刍[26]。因此,人工智能技术应用所带来的负面情感体验会引发员工情感反刍。

情感反刍无法使员工在空闲时间得到身心放松,资源无法得到恢复[13]。根据压力认知激活理论,情感反刍会导致员工一系列消极行为结果,导致员工使用消极的工作策略(保持沉默)来减少有限资源的进一步枯竭[19]。拥有情感反刍倾向的员工会在下班后持续沉浸在消极情感内耗中,无法补充应对工作要求所消耗的资源,从而减少主动性行为(员工建言),进而增强员工沉默[20]。据此,本文提出以下假设:

H2a:人工智能技术应用通过增加情感反刍,负向影响员工建言;

H2b:人工智能技术应用通过增加情感反刍,正向影响员工沉默。

1.4 工作自主性的调节作用

工作自主性是指员工在工作中按照自身意愿对工作内容和进程进行自主决策的程度,工作自主性高低反映员工在工作中获得资源的多少[16]。工作自主性是一种占据主导性的宝贵资源,是员工主动性行为的重要驱动因素,不仅可以触发员工自主性动机,还能缓解压力源所导致的心理资源损耗[17]。另外,它还能激发员工内在工作动机,减轻工作压力带来的负面影响和身心资源消耗,增加员工主动性行为[27]。因此,工作自主性是影响员工对人工智能技术应用结果预期评价的重要权变因素[12]。

高工作自主性员工对工作拥有更多选择权和控制权,拥有灵活的工作时间等条件性资源,可补充员工的资源消耗,激发员工主动性动机和积极工作态度[16]。此外,当员工被赋予较高水平的工作自主性时,他们会感知到自己被领导信任,对组织的归属感也会增强,从而会触发员工的主动性工作行为[28]。相反,低工作自主性员工对工作内容和进程有较少自主选择权,他们只能按照领导指示行事,在工作中获得的资源也比较有限,无法补充他们消耗的生理和心理资源,容易产生消极情绪,进而减少主动性工作行为[28]。

高工作自主性员工拥有较多资源,这些资源能提高员工知识技能,以适应人工智能技术应用所带来的技术变革[29]。高工作自主性员工能选择用自己的方式来工作,增加员工对自身工作的认同,提高工作成就感,员工会更愿意思考如何更加有效地工作和创造性地解决工作中遇到的问题,即增强人工智能技术应用对问题解决沉思的正向影响[17]。相反,低工作自主性员工所拥有的资源相对有限,工作灵活性和工作满意度也相对较低,知识和技能可能无法适应技术变革要求,他们只愿意维持现状,不愿意花费更多时间和精力思考,会削弱人工智能技术应用对问题解决沉思的正向效应[29]。据此,本文提出以下假设:

H3:工作自主性调节人工智能技术应用与问题解决沉思之间的关系,即工作自主性水平越高,人工智能技术应用对问题解决沉思的正向影响越强。

进一步地,参考Muller等[30]的研究思路,本文将H1a与H3、H1b与H3相结合,提出如下假设:

H4a:工作自主性调节人工智能技术应用通过问题解决沉思影响员工建言的间接效应,即工作自主性水平越高,该间接效应越强;

H4b:工作自主性调节人工智能技术应用通过问题解决沉思影响员工沉默的间接效应,即工作自主性水平越高,该间接效应越强。

高工作自主性员工拥有积极情绪,可自主调整工作内容和方式,以自己期望的方式完成工作目标,进而减少人工智能技术应用带来的焦虑感和工作不安全感[28]。高工作自主性会缓解人工智能技术应用带来的消极评价和资源损耗,降低人工智能技术应用对员工情绪的负面影响,减少情感反刍,弱化人工智能技术应用对工作反刍的正向影响[18]。相反,低工作自主性员工拥有的资源较少,往往无法自主灵活安排工作时间和自由调整工作方式,会加重对压力源的消极结果预期,难以抵消人工智能技术应用所带来的资源损耗,导致员工消极情绪和情绪耗竭,加剧员工情感反刍,从而强化人工智能技术应用对工作反刍的正向效应[18]。据此,本文提出以下假设:

H5:工作自主性调节人工智能技术应用与情感反刍之间的关系,即工作自主性水平越高,人工智能技术应用对情感反刍的正向影响越弱。

进一步地,参考Muller等[30]的研究思路,本文将H2a与H5、H2b与H5相结合,提出如下假设:

H6a:工作自主性调节人工智能技术应用通过情感反刍影响员工建言的间接效应,即工作自主性水平越高,该间接效应越弱;

H6b:工作自主性调节人工智能技术应用通过情感反刍影响员工沉默的间接效应,即工作自主性水平越高,该间接效应越弱。

综上,本文构建理论模型,如图1所示。

为验证研究假设,本文设计情景实验和三阶段问卷调查两项研究。情景实验法具有较高的内部效度,但其外部效度有限,模拟情景与复杂的企业环境相差较大,实验结果缺乏可推广性。问卷调研法具有较高的外部效度,但其内部效度较低,可能不能准确反映变量间的因果关系。本研究参考Tang等[31]的做法,采用实验与问卷相结合的研究范式,更加全面地检验研究假设,旨在获得比单一方法更全面、更深刻的理解,增强研究的内外部效度和研究结果的普适性。

2 研究一:情景实验

2.1 被试与程序

通过见数平台(Credamo)招募240名在职且在日常工作中会用到人工智能技术的员工作为被试者参与实验研究。按照Tang等[31]的做法,向参加实验的被试者展示人工智能技术的定义,旨在让被试者能够区分人工智能技术应用和传统技术应用。为确保数据有效性,本研究设置围绕实验材料的注意力检测问题,确保被试者对实验内容充分了解,在数据人工审核过程中,剔除作答不完整和极端值(如所有题项均选择为“5”)数据。剔除未通过注意力检测和极端值样本后,获得有效样本212份。此外,为提高实验回应率,对成功完成实验的被试者给予一定报酬。其中,男性占比50.9%,总体平均年龄为32.9岁(SD=0.948),有76.4%受过本科及以上教育,平均工龄为4.5年(SD=1.208)。

本研究设计(人工智能技术应用:高VS低)×(工作自主性:高VS低)双因素组间情境实验。首先,由被试者填写人口统计学信息;其次,将被试者随机分配到4种情境中,其阅读相应情景材料,并把自己想象成为情景材料中的“主人公”;最后,被试者根据情境实验材料完成实验操纵并报告其它变量信息。人工智能技术应用参考张恒等[29]的实验材料并根据本研究情境进行改编,工作自主性根据Liu等[32]的定义以及Feng &Savani[28]的操纵材料改编而成。

2.2 测量工具

本文借鉴国内外普遍使用的成熟量表,采用李克特5点评分法计分,从1=“完全不符合”到 5=“完全符合”。

(1)操纵工具检验。①人工智能技术应用:采用Tang等[31]编制的量表,共包括3个题项,如“我大部分时间和人工智能一起工作”等,Cronbach′s α系数为0.864;②工作自主性:采用Liu等[32]编制的量表,共包括3个题项,如“我自己决定如何工作”等,Cronbach′s α系数为0.807。

(2)问题解决沉思:采用Cropley等[33]编制的量表,共包括5个题项,如“在休闲时间,我寻找与工作相关的问题解决方案”等,Cronbach′s α系数为0.872。

(3)情感反刍:采用Cropley等[33]编制的量表,共包括5个题项,如“在休闲时间,我因思考工作相关的事情而感到困扰”等,Cronbach′s α系数为0.886。

(4)员工建言:采用Liang等[34]编制的量表,共包括10个题项,如“我会提出改善单位运作的建设性意见”等,Cronbach′s α系数为0.933。

(5)员工沉默:采用Madrid等[35]编制的量表,共包括4个题项,如“我对日常工作中出现的问题保持沉默”等,Cronbach′s α系数为0.849。

(6)控制变量:本研究选取性别、年龄、工作年限和学历作为控制变量。已有研究显示,这些变量与人工智能技术应用和员工行为具有显著相关关系[4]。

2.3 实验结果

2.3.1 实验操纵有效性检验

对本研究实验操纵的有效性进行检验,通过对比人工智能技术应用操纵两组结果可知,实验组员工(M=3.737,SD=0.936)人工智能技术应用得分显著高于控制组(M=3.326,SD=0.848,t(210)=-3.327,p<0.001,Cohen′s d=0.486)。通过对比工作自主性操纵两组结果发现,实验组员工(M=3.368,SD=0.928)工作自主性显著高于控制组(M=2.917,SD=0.945,t(210)=-3.501,p<0.001,Cohen′s d=0.478)。因此,本研究成功操纵了人工智能技术应用和工作自主性这两个变量。

2.3.2 验证性因子与描述性统计分析

为考察人工智能技术应用、工作自主性、问题解决沉思、情感反刍、员工建言和员工沉默的区分效度,本研究进行验证性因子分析, 结果如表1所示。六因子模型拟合程度较好(χ2=587.717,RMSEA=0.049,CFI=0.946,TLI=0.940,SRMR=0.044),显著优于其它模型,说明本研究变量之间具有较好的区分效度。

描述性统计与相关性分析结果如表2所示。人工智能技术应用与问题解决沉思正相关(r=0.427, p<0.01)。问题解决沉思与员工建言正相关(r=0.390, p<0.01),与员工沉默负相关(r=-0.389, p<0.01)。人工智能技术应用与情感反刍正相关(r=0.443, p<0.01)。情感反刍与员工建言负相关(r=-0.267, p<0.01),与员工沉默正相关(r=0.325, p<0.01)。上述检验结果为接下来的假设检验奠定了基础。

2.3.3 假设检验

本研究对研究假设进行验证,检验结果如表3所示。人工智能技术应用对问题解决沉思具有显著正向影响(β=0.452,p<0.001);问题解决沉思正向影响员工建言(β=0.316,p<0.001),且问题解决沉思在人工智能技术应用与员工建言之间的间接效应显著(b=0.139,95%CI=[0.070,0.221]),假设H1a得到验证;问题解决沉思负向影响员工沉默(β=-0.407,p<0.001),且问题解决沉思在人工智能技术应用与员工沉默之间的间接效应显著(b=-0.193,95%CI=[-0.279,-0.123]),假设H1b得到验证。

人工智能技术应用对情感反刍具有显著正向影响(β=0.428,p<0.001);情感反刍负向影响员工建言(β=-0.299,p<0.001),且情感反刍在人工智能技术应用与员工建言之间的间接效应显著(b=-0.124,95%CI=[-0.196,-0.066]),假设H2a得到验证;情感反刍正向影响员工沉默(β=0.338,p<0.001),且情感反刍在人工智能技术应用与员工沉默之间的间接效应显著(b=0.152,95%CI=[0.086, 0.233]),假设H2b得到验证。

由表3可知,人工智能技术应用与工作自主性交互项对问题解决沉思的影响显著(β=0.191,p<0.01)。而且,简单斜率分析显示(见图2),当工作自主性程度较高时,人工智能技术应用与问题解决沉思的关系显著(b=0.618,95%CI=[0.458, 0.777]);当工作自主性水平较低时,人工智能技术应用与问题解决沉思的关系显著(b=0.253,95%CI=[0.100, 0.406])。可见,工作自主性水平越高,这种正向影响作用越强,假设H3得到验证。

由表3可知,人工智能技术应用与工作自主性交互项对情感反刍的影响显著(β=-0.189,p<0.01)。而且,简单斜率分析显示(见图3),当工作自主性水平较低时,人工智能技术应用与情感反刍的关系显著(b=0.668,SE=0.089,95%CI=[0.494, 0.843]);当工作自主性水平较高时,人工智能技术应用与情感反刍的关系显著(b=0.261,SE=0.093,95%CI=[0.080, 0.443])。可见,工作自主性水平越高,这种正向影响作用越弱,假设H5得到验证。

进一步地,本研究进行被调节的间接效应检验,结果如表4所示。当工作自主性水平较高时,人工智能技术应用通过问题解决沉思对员工建言的影响显著(b=0.197,SE=0.051,95%CI=[0.100, 0.303]);当工作自主性水平较低时,人工智能技术应用通过问题解决沉思对员工建言的影响显著(b=0.080,SE=0.038,95%CI=[0.021, 0.173]),且高与低工作自主性的间接效应差异值为0.117,95%CI=[0.046, 0.227],不包含0,假设H4a得到验证。同理,当工作自主性水平较高时,人工智能技术应用通过问题解决沉思对员工沉默的影响显著(b=-0.274,SE=0.055,95%CI=[-0.391, -0.173]);当工作自主性水平较低时,人工智能技术应用通过问题解决沉思对员工沉默的影响显著(b=-0.112,SE=0.045,95%CI=[-0.221,-0.034]),且高与低工作自主性的间接效应差异值为-0.162,95%CI=[-0.308,-0.061],不包含0,假设H4b得到验证。

如表5所示,当工作自主性水平较低时,人工智能技术应用通过情感反刍对员工建言的影响显著(b=-0.178,SE=0.045,95%CI=[-0.276,-0.099]);当工作自主性水平较高时,人工智能技术应用通过情感反刍对员工建言的影响显著(b=-0.070,SE=0.033,95%CI=[-0.150, -0.018]),且高与低工作自主性的间接效应差异值为0.108,95%CI=[0.035, 0.216],不包含0,假设H6a得到验证。同理,当工作自主性水平较低时,人工智能技术应用通过情感反刍对员工沉默的影响显著(b=0.218,SE=0.054,95%CI=[0.120, 0.334]);当工作自主性水平较高时,人工智能技术应用通过情感反刍对员工沉默的影响显著(b=0.085,SE=0.039,95%CI=[0.025, 0.182]),且高与低工作自主性的间接效应差异值为-0.133,95%CI=[-0.262,-0.041],不包含0,假设H6b得到验证。

3 研究二:全模型问卷研究

3.1 研究样本与数据收集

在问卷星线上数据收集平台(www.wjx.cn)招募应用AI的企业员工为被试者。以往研究表明,通过问卷星收集数据可提高数据可靠性[36]。被试者被明确告知问卷为匿名填写,且收集的数据仅供科研使用。为减少共同方法偏差的影响,采用三阶段分时序方式收集数据。此外,为提高问卷回应率,对成功完成三阶段调研的被试者给予一定报酬。在时间点1,收集被试者的人口统计学信息、人工智能技术应用、工作自主性数据,发放问卷550份,回收有效问卷498份(有效问卷回收率为90.5%)。在时间点2,向参加第一阶段问卷调研的员工发放第二次问卷,收集被试者的问题解决沉思和情感反刍数据。在498名被试者中有487人参加第二阶段调研,回收问卷459份(问卷回收率为94.3%)。在时间点3,向参加前两阶段调研的员工发放第三次问卷,收集被试者的员工建言和员工沉默数据。在459名被试者中有455人参加第三阶段调研,最终回收问卷424份(问卷回收率为93.2%)。在有效样本中,性别方面,男性219人,占比51.7%;女性205人,占比48.3%;年龄方面,25岁及以下39人,占比9.2%;26～30岁171人,占比40.3%;31～35岁148人,占比34.9%;36～40岁46人,占比10.8%;41岁及以上20人,占比4.8%。工作年限方面,1年及以下76人,占比17.9%;2～3年127人,占比30.0%;4～5年112人,占比26.4%;6～10年62人,占比14.6%;11年及以上47人,占比11.1%。学历方面,高中及以下21人,占比5.0%;大专65人,占比15.3%;本科217人,占比51.2%;硕士及以上121人,占比28.5%。被试者来自不同行业不同岗位企业员工,增加了调研结果的外部效度。其中,企业类型涉及信息技术(23.8%)、金融与保险(20.8%)、汽车制造(13.2%)、互联网新媒体(17.5%)、家电行业(8.7%)、电子商务(10.6%)和其它(5.4%);工作岗位包括技术研发、金融分析、生产与运作、销售、客户服务和管理岗位等。

3.2 变量测量

人工智能技术应用、工作自主性、问题解决沉思、情感反刍、员工建言和员工沉默均采用与研究一相同的量表,量表的Cronbach′s α系数依次为0.839、0.81、0.878、0.881、0.935和0.84。此外,控制变量选取也与研究一相同。

3.3 结果分析

3.3.1 区分效度检验与共同方法偏差

为考察人工智能技术应用、工作自主性、问题解决沉思、情感反刍、员工建言和员工沉默的区分效度,本研究进行验证性因子分析, 结果如表6所示。六因子模型拟合程度较好(χ2=691.324,RMSEA=0.043,CFI=0.958,TLI=0.953,SRMR=0.030),显著优于其它模型,说明本研究变量之间具有较好区分效度。采用Podsakoff等[37]的共同方法潜方法因子进行检测,在加入共同方法潜因子后,模型拟合指标没有发生显著变化:ΔCFI=0.001,ΔTLI=0.001,ΔSRMR=0.001,说明本研究不存在严重的共同方法偏差问题。

3.3.2 描述性统计与相关性分析

描述性统计与相关性分析结果如表7所示。人工智能技术应用与问题解决沉思正相关(r=0.405, p<0.01)。问题解决沉思与员工建言正相关(r=0.457, p<0.01),与员工沉默负相关(r=-0.455, p<0.01)。人工智能技术应用与情感反刍正相关(r=0.346, p<0.01)。情感反刍与员工建言负相关(r=-0.280, p<0.01),与员工沉默正相关(r=0.360, p<0.01)。这些结果为接下来的假设检验奠定了基础。

3.3.3 假设检验结果

本研究对研究假设进行验证,结果如表8所示。人工智能技术应用对问题解决沉思具有显著正向影响(β=0.408,p<0.001);问题解决沉思正向影响员工建言(β=0.345,p<0.001),且问题解决沉思在人工智能技术应用与员工建言之间的间接效应显著(b=0.147,95%CI=[0.098,0.201]),假设H1a得到验证。问题解决沉思负向影响员工沉默(β=-0.430,p<0.001),且问题解决沉思在人工智能技术应用与员工沉默之间的间接效应显著(b=-0.197,95%CI=[-0.256,-0.142]),假设H1b得到验证。

人工智能技术应用对情感反刍具有显著正向影响(β=0.337,p<0.001);情感反刍负向影响员工建言(β=-0.237,p<0.001),且情感反刍在人工智能技术应用与员工建言之间的间接效应显著(b=-0.083,95%CI=[-0.124,-0.051]),假设H2a得到验证。情感反刍正向影响员工沉默(β=0.385,p<0.001),且情感反刍在人工智能技术应用与员工沉默之间的间接效应显著(b=0.146,95%CI=[0.102, 0.198]),假设H2b得到验证。

由表8可知,人工智能技术应用与工作自主性交互项对问题解决沉思的影响显著(β=0.324,p<0.001)。并且,简单斜率分析显示(见图4),当工作自主性水平较高时,人工智能技术应用与问题解决沉思的关系显著(b=0.765,SE=0.061,95%CI=[0.645, 0.884]);当工作自主性水平较低时,人工智能技术应用与问题解决沉思的关系不显著(b=0.089,SE=0.051,95%CI=[-0.011, 0.190]),假设H3得到验证。

由表8可知,人工智能技术应用与工作自主性交互项对情感反刍的影响显著(β=-0.258,p<0.001)。并且,简单斜率分析显示(见图5),当工作自主性水平较低时,人工智能技术应用与情感反刍的关系显著(b=0.674,SE=0.063,95%CI=[0.551, 0.797]);当工作自主性水平较高时,人工智能技术应用与情感反刍的关系不显著(b=0.090,SE=0.075,95%CI=[-0.056, 0.237]),假设H5得到验证。

进一步地,本研究进行被调节的间接效应检验,检验结果如表9所示。当工作自主性水平较高时,人工智能技术应用通过问题解决沉思对员工建言的影响显著(b=0.263,SE=0.047,95%CI=[0.177, 0.359]);当工作自主性水平较低时,人工智能技术应用通过问题解决沉思对员工建言的影响不显著(b=0.031,SE=0.020,95%CI=[-0.006, 0.073])。而且,高与低工作自主性的间接效应差异值为0.232,95%CI=[0.149,0.334],不包含0,假设H4a得到验证。同理,当工作自主性水平较高时,人工智能技术应用通过问题解决沉思对员工沉默的影响显著(b=-0.352,SE=0.049,95%CI=[-0.452, -0.261]);当工作自主性水平较低时,人工智能技术应用通过问题解决沉思对员工沉默的影响不显著(b=-0.041,SE=0.026,95%CI=[-0.097, 0.009])。而且,高与低工作自主性的间接效应差异值为-0.311,95%CI=[-0.422,-0.219],不包含0,假设H4b得到验证。

如表10所示,当工作自主性水平较低时,人工智能技术应用通过情感反刍对员工建言的影响显著(b=-0.147,SE=0.030,95%CI=[-0.212,-0.092]);当工作自主性水平较高时,人工智能技术应用通过情感反刍对员工建言的影响不显著(b=-0.020,SE=0.019,95%CI=[-0.061, 0.013]),高与低工作自主性的间接效应差异值为0.127,95%CI=[0.071,0.203],不包含0,假设H6a得到验证。同理,当工作自主性水平较低时,人工智能技术应用通过情感反刍对员工沉默的影响显著(b=0.257,SE=0.036,95%CI=[0.189, 0.333]);当工作自主性水平较高时,人工智能技术应用通过情感反刍对员工沉默的影响不显著(b=0.034,SE=0.032,95%CI=[-0.026, 0.100]),高与低工作自主性的间接效应差异值为-0.223,95%CI=[-0.329,-0.137],不包含0,假设H6b得到验证。

4 结论与讨论

4.1 研究结论

本研究基于压力认知激活理论,探讨人工智能技术应用对员工建言和员工沉默的影响,并考察问题解决沉思和情感反刍的中介效应以及工作自主性的调节效应。研究一的情景实验从因果关系上支持本文理论框架,研究二采用问卷调查再次对模型进行验证,两种方法的结合既保证了研究内部效度,又提高了研究外部效度,使研究结果更具推广性。通过研究一的情景实验和研究二的问卷调研发现:①人工智能技术应用通过增加问题解决沉思正向影响员工建言,负向影响员工沉默;②人工智能技术应用通过增加情感反刍,负向影响员工建言,正向影响员工沉默。人工智能技术应用作为一种压力源,一方面,员工会对这一压力源的结果预期进行积极认知评估,引发适应性心理反应(问题解决沉思),进而促进员工建言;另一方面,员工也会对人工智能技术应用的结果预期进行消极认知评价,引发非适应性心理反应(情感反刍),进而增加员工沉默;③工作自主性提升会强化人工智能技术应用经由问题解决沉思对员工建言的正向效应,弱化人工智能技术应用经由情感反刍对员工沉默的正向影响。

4.2 理论贡献

(1)本研究从压力认知激活理论视角关注人工智能技术应用对员工建言和员工沉默影响的双刃剑效应。人工智能技术应用不但会激活员工的适应性心理反应,促进员工建言,而且也会激活员工的非适应性心理反应,增加员工沉默。这与张恒等[29]认为人工智能技术应用具有“双刃剑”效应的观点相吻合。本文不仅突破了以往研究仅强调人工智能技术应用的积极效应或消极效应,而且回应了Zhou 等[2]对人工智能技术应用影响员工行为的呼吁。此外,以往研究对员工建言和员工沉默前因的探索主要聚焦于情绪因素、认知因素、领导因素和组织因素等[9-11],鲜有研究考察压力源(人工智能技术应用)对员工建言和员工沉默的影响[7]。本研究证实人工智能技术应用从问题解决沉思和情感反刍两方面影响员工建言和员工沉默,不仅拓宽了人工智能技术应用研究视野,也丰富了压力认知激活理论视角下员工建言和员工沉默前因研究。

(2)本研究引入工作反刍(问题解决沉思和情感反刍)作为中介变量,揭示人工智能技术应用通过问题解决沉思和情感反刍双重路径影响员工建言和员工沉默,证实人工智能技术应用对员工的影响会溢出到非工作时间,从而导致工作反刍,进而影响员工建言和员工沉默。当前,多数研究主要局限于工作范围探讨[2],忽视了人工智能技术应用作为压力源对员工非工作时间认知和心理的影响[18]。本研究将工作反刍纳入研究框架,拓宽了人工智能技术应用对员工心理和行为的影响范围,也为人工智能技术应用对员工建言和员工沉默影响研究提供了新的解释框架。同时,进一步拓展了压力认知激活理论应用情景,呼应了张晶等[21]对拓宽压力认知激活理论研究广度和深度的建议。

(3)本研究认为工作自主性可激发员工内在动机,促进员工主动探索工作问题解决方法,缓解压力源所带来的资源损耗,减少消极情绪和员工内耗。本研究将工作自主性纳入人工智能技术应用对员工建言和员工沉默的影响模型,从工作资源角度进一步丰富了人工智能技术应用的作用边界。此外,以往研究关于人工智能技术应用对员工行为影响的探索主要集中于人格特质(如主动性人格)、领导风格(如服务型领导)和组织环境(如组织支持)等方面[38],鲜有研究探讨工作自主性对人工智能技术应用效果的调节机制。本文不仅响应了Teng等[18]对人工智能技术应用效果研究的呼吁,也丰富了人工智能技术应用的作用边界。

4.3 管理启示

(1)人工智能技术应用作为一种压力源对员工工作行为具有积极或消极影响。因此,组织在推广和应用人工智能技术过程中,一方面要对员工进行正确引导,使员工意识到人工智能技术应用会提高员工工作效率,减少员工工作任务,增加闲置资源,鼓励员工积极应用人工智能技术,减少对员工心理和情绪的负向影响。另一方面,组织要定期对员工开展人工智能技术应用培训,使员工在面对更高的工作挑战时,有能力、有信心、有把握满足工作要求,减少人工智能技术应用所带来的负面情绪和工作不安全感对员工主动性行为的负向影响[4]。

(2)管理者要全方位关注员工情绪变化,通过积极心理干预(如正念训练)提高员工应对工作变化和消极情绪的能力,逐渐形成以问题解决沉思代替情感反刍的思维,从而降低消极工作反刍,提高员工内在工作动机,增强员工主动性行为[13]。同时,管理者要关注个体差异,对情绪变化较大的员工给予及时的心理疏导和鼓励,避免员工长时间持续陷入情感反刍和自我内耗,减少情感反刍带来的负面影响。此外,对经常陷入情感反刍的员工,管理者应适当调整其工作内容和绩效目标,缓解其因工作要求或压力带来的负面情绪和情感耗竭。管理者还应该鼓励员工之间交流和互动,增进职场友谊,降低压力源带来的负面影响。

(3)组织要充分发挥员工自主性,给予员工更多自主权。组织应降低工作流程的复杂性,鼓励员工参与工作设计,增加员工工作授权,允许员工自主安排工作时间和方式,充分调动员工工作积极性,提升员工自主权和参与感,增强员工归属感,激发其“主人翁”意识,促进员工积极向组织建言献策,触发其更多主动性行为[28]。

4.4 不足与展望

本文存在一些不足:首先,虽然采用多时点问卷调研法和实验法,但难以捕捉变量间的动态影响关系。未来可用日记法获取人工智能技术应用对员工建言和员工沉默影响的变化轨迹,以期更加真实地评估变量间的关系。鉴于问题解决沉思和情感反刍可能在长时间线上发生相互转化[14],未来可采用纵贯式追踪调研法,进一步检验人工智能技术应用通过工作反刍对员工建言和员工沉默的影响。此外,本研究测量数据全部来源于员工自评,无法完全避免同源问题,未来应采用多时点、多来源方式收集数据。其次,未对人工智能技术类别与功能进行划分,未来可探究不同人工智能技术类别(如机器学习等)对员工建言和沉默行为的影响,深入探讨不同行业和岗位、不同文化情境下人工智能技术应用对员工建言和沉默的差异化影响,获得更有延展性的研究结论。最后,基于压力认知激活理论视角考察人工智能技术应用对员工建言和沉默的影响,未来可从工作要求—资源模型视角进行探析。本研究发现工作反刍(问题解决沉思和情感反刍)是人工智能技术应用影响员工建言和沉默的主要路径,未来可探索其它路径,如工作重塑等,从员工学习态度视角进一步探讨人工智能技术应用影响员工建言和沉默的边界条件,以提供更有效的管理策略。

参考文献：

[1] SYAM N, SHARMA A. Waiting for a sales renaissance in the fourth industrial revolution: machine learning and artificial intelligence in sales research and practice[J].Industrial Marketing Management,2018, 69(2): 135-146.

[2] ZHOU S, YI N, RASIAH R, et al. An empirical study on the dark side of service employees′ AI awareness: behavioral responses, emotional mechanisms, and mitigating factors[J].Journal of Retailing and Consumer Services,2024, 79: 103869.

[3] LI J J, BONN M A, YE B H. Hotel employee′s artificial intelligence and robotics awareness and its impact on turnover intention: the moderating roles of perceived organizational support and competitive psychological climate[J].Tourism Management,2019, 73: 172-181.

[4] CHANG P C, ZHANG W, CAI Q, et al. Does AI-driven techno-stress promote or hinder employees′ artificial intelligence adoption intention a moderated mediation model of affective reactions and technical self-efficacy[J].Psychology Research and Behavior Management, 2024,17: 413-427.

[5] HUANG Y, GURSOY D. How does AI technology integration affect employees′ proactive service behaviors a transactional theory of stress perspective[J]. Journal of Retailing and Consumer Services,2024, 77: 103700.

[6] CHENG B, LIN H, KONG Y. Challenge or hindrance how and when organizational artificial intelligence adoption influences employee job crafting[J].Journal of Business Research,2023, 164: 113987.

[7] 蔡文著, 余莉. 不得已者而后言:基于自我调节理论的员工建言新内涵及其影响机制研究——心理契约破裂的视角[J]. 管理评论,2024, 36(4): 179-191.

[8] 牛莉霞, 乔亚凡, 夏文德. 绩效压力对工作繁荣的“双刃剑”效应:工作反刍和组织支持感的作用[J]. 中国人力资源开发, 2024, 41(3): 21-34.

[9] JAHANZEB S, FATIMA T. How workplace ostracism influences interpersonal deviance: the mediating role of defensive silence and emotional exhaustion[J].Journal of Business and Psychology,2018, 33(6): 779-791.

[10] JOSEPH S, SHETTY N. An empirical study on the impact of employee voice and silence on destructive leadership and organizational culture[J].Asian Journal of Business Ethics,2022, 11(1): 85-109.

[11] 陈丽金,唐宁玉. 员工沉默的前因与后果: 回顾与展望[J]. 中国人力资源开发, 2019, 36(12): 84-104.

[12] MEURS J A, PERREWE P L. Cognitive activation theory of stress: an integrative theoretical approach to work stress[J].Journal of Management,2011, 37(4): 1043-1068.

[13] MCCARRICK D, PRESTWICH A, O′CONNOR D B. The role of perseverative cognition in the job strain-health outcome relationship[J].Psychology &Health,2023, 39(10): 1388-1410.

[14] KINNUNEN U, FELDT T, SIANOJA M, et al. Identifying long-term patterns of work-related rumination: associations with job demands and well-being outcomes[J].European Journal of Work and Organizational Psychology,2017, 26(4): 514-526.

[15] LIANG X,GUO G,SHU L,et al.Investigating the double-edged sword effect of AI awareness on employee′s service innovative behavior[J].Tourism Management,2022, 92: 104564.

[16] BIZZI L, SODA G. The paradox of authentic selves and chameleons: self-monitoring, perceived job autonomy and contextual performance[J].British Journal of Management, 2011, 22(2): 324-339.

[17] 冯星宇, 韩平. 认知评价视角下工作压力对员工幸福感的影响机制研究——工作反刍和特质正念的作用[J].管理评论, 2024, 36(1): 175-187.

[18] TENG R, ZHOU S, ZHENG W, et al. Artificial intelligence (AI) awareness and work withdrawal: evaluating chained mediation through negative work-related rumination and emotional exhaustion[J].International Journal of Contemporary Hospitality Management,2024, 36(7): 2311-2326.

[19] CROPLEY M, ZIJLSTRA F R, QUERSTRET D, et al. Is work-related rumination associated with deficits in executive functioning[J].Frontiers in Psychology,2016, 7: 1524.

[20] ZHENG S, TAN S, TAN X, et al. Positive well-being, work-related rumination and work engagement among chinese university logistics staff[J].Behavioral Sciences,2024, 14(1): 65.

[21] 张晶, 李伟贺, 史燕伟, 等. 工作反刍及其“双刃剑”效应[J]. 心理科学进展, 2020, 28(2):358-367.

[22] MOGHAYEDI A, MICHELL K, AWUZIE B, et al. A comprehensive analysis of the implications of artificial intelligence adoption on employee social well-being in South African facility management organizations[J].Journal of Corporate Real Estate,2024, 26(3): 237-261.

[23] 姜鲲, 崔祥民, 杨静. 中国情境下高绩效工作系统影响员工沉默行为的作用机理研究——一个跨层有调节的中介模型[J]. 管理现代化, 2022, 42(5): 68-79.

[24] CHOU S Y, CHANG T. Employee silence and silence antecedents: a theoretical classification[J].International Journal of Business Communication,2020, 57(3): 401-426.

[25] 朱晓妹, 王森, 何勤. 人工智能嵌入视域下岗位技能要求对员工工作旺盛感的影响研究[J].外国经济与管理,2021,43(11): 15-25.

[26] FLAXMAN P E, STRIDE C B, SDERBERG M, et al. Relationships between two dimensions of employee perfectionism, postwork cognitive processing, and work day functioning[J].European Journal of Work and Organizational Psychology,2018, 27(1): 56-69.

[27] 张静, 赵祎丹, 杨鹏. 零工工作者工作自主性对持续价值共创行为的影响[J]. 经济与管理, 2024,38(3): 27-35.

[28] FENG Z, SAVANI K. Covid-19 created a gender gap in perceived work productivity and job satisfaction: implications for dual-career parents working from home[J]. Gender in Management: An International Journal,2020, 35(7/8): 719-736.

[29] 张恒, 高中华, 李慧玲. 增益还是损耗:人工智能技术应用对员工创新行为的 “双刃剑” 效应[J].科技进步与对策,2023, 40(18): 1-11.

[30] MULLER D, JUDD C M, YZERBYT V Y. When moderation is mediated and mediation is moderated[J].Journal of Personality and Social Psychology,2005, 89(6): 852-863.

[31] TANG P M,KOOPMAN J,MCCLEAN S T,et al. When conscientious employees meet intelligent machines: an integrative approach inspired by complementarity theory and role theory[J].Academy of Management Journal,2022, 65(3): 1019-1054.

[32] LIU C, SPECTOR P E, SHI L. Cross-national job stress: a quantitative and qualitative study[J].Journal of Organizational Behavior: The International Journal of Industrial, Occupational and Organizational Psychology and Behavior,2007, 28(2): 209-239.

[33] CROPLEY M, MICHALIANOU G, PRAVETTONI G, et al. The relation of post-work ruminative thinking with eating behaviour[J].Stress and Health,2012, 28(1): 23-30.

[34] LIANG J, FARH C I, FARH J L. Psychological antecedents of promotive and prohibitive voice: a two-wave examination[J].Academy of Management Journal,2012, 55(1): 71-92.

[35] MADRID H P, PATTERSON M G, LEIVA P I. Negative core affect and employee silence: how differences in activation, cognitive rumination, and problem-solving demands matter[J].Journal of Applied Psychology,2015, 100(6): 1887-1898.

[36] BAER M D, FRANK E L, MATTA F K, et al. Undertrusted, overtrusted, or just right the fairness of (in) congruence between trust wanted and trust received[J].Academy of Management Journal,2021, 64(1): 180-206.

[37] PODSAKOFF P M, MACKENZIE S B, LEE J Y, et al. Common method biases in behavioral research: a critical review of the literature and recommended remedies[J]. Journal of Applied Psychology, 2003, 88(5): 879-903.

[38] QIU H, LI M, BAI B, et al. The impact of AI-enabled service attributes on service hospitableness: the role of employee physical and psychological workload[J].International Journal of Contemporary Hospitality Management, 2022,34(4): 1374-1398.

(责任编辑：王敬敏)