روانشناسی

توانمندسازی الگوریتمی یا کنترل الگوریتمی؟ نقش تعدیل‌گر سرمایه روانشناختی در رابطه بین یکپارچگی هوش مصنوعی مولد و احتکار دانش در میان کارکنان نسل زد
دوره 9، شماره 96، خرداد 1405، صفحات 30 - 49
نویسندگان : سعیده بابایی* 1
1 - دانش آموخته رشته علوم تربیتی تکنولوژی آموزشی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران
چکیده :
هدف پژوهش حاضر، بررسی نقش تعدیل‌گر سرمایه روانشناختی در رابطه بین یکپارچگی هوش مصنوعی مولد و احتکار دانش با توجه به نقش میانجی توانمندسازی و کنترل الگوریتمی در میان کارکنان نسل زد بود. این پژوهش از نظر هدف کاربردی و از نظر روش اجرا، توصیفی-همبستگی از نوع مدل‌سازی معادلات ساختاری بود. جامعه آماری شامل کلیه کارکنان نسل زد (متولدین 1376 تا 1391) شاغل در سازمان‌های دانش‌محور فناوری اطلاعات و ارتباطات شهر تهران بودند که از میان آن‌ها 241 نفر به روش نمونه‌گیری تصادفی طبقه‌ای انتخاب شدند. داده‌ها با استفاده از پرسشنامه‌های استاندارد یکپارچگی هوش مصنوعی مولد، احتکار دانش (کانلی و همکاران، 2012)، سرمایه روانشناختی (لوتانز و همکاران، 2007)، توانمندسازی الگوریتمی (چانگ، 2025) و کنترل الگوریتمی (لیو و همکاران، 2024) جمع‌آوری و با استفاده از مدل‌سازی معادلات ساختاری در نرم‌افزارهای SPSS و AMOS تحلیل شدند. یافته‌ها نشان داد که یکپارچگی هوش مصنوعی مولد هم بر توانمندسازی الگوریتمی (0/482 = β) و هم بر کنترل الگوریتمی (0/403 = β) تأثیر مثبت معنادار دارد. توانمندسازی الگوریتمی تأثیر منفی (0/321- = β) و کنترل الگوریتمی تأثیر مثبت (0/437 = β) بر احتکار دانش داشتند. همچنین، یکپارچگی هوش مصنوعی مولد تأثیر مستقیم مثبت بر احتکار دانش نشان داد (0/174 = β). نتایج بوت‌استرپینگ نقش میانجی معنادار هر دو متغیر توانمندسازی و کنترل الگوریتمی را تأیید کرد. مهم‌تر از همه، سرمایه روانشناختی رابطه بین یکپارچگی هوش مصنوعی مولد و توانمندسازی الگوریتمی را به صورت مثبت (0/284 = β) و رابطه آن با کنترل الگوریتمی را به صورت منفی (0/226- = β) تعدیل کرد. به عبارت دیگر، کارکنان با سرمایه روانشناختی بالا، هوش مصنوعی مولد را بیشتر به عنوان یک تجربه توانمندساز درک می‌کنند و کمتر دچار احتکار دانش می‌شوند، در حالی که کارکنان با سرمایه روانشناختی پایین، بیشتر جنبه‌های کنترل‌کننده آن را تجربه کرده و به رفتارهای دفاعی احتکار دانش روی می‌آورند. این یافته‌ها ضمن گسترش نظریه حفظ منابع به بستر هوش مصنوعی مولد، پیامدهای عملی مهمی برای مدیران و طراحان سیستم‌های هوش مصنوعی در جهت سرمایه‌گذاری بر توسعه سرمایه روانشناختی کارکنان نسل زد به منظور کاهش پیامدهای منفی کنترل الگوریتمی و تقویت پیامدهای مثبت توانمندسازی الگوریتمی فراهم می‌آورد.