موسسه انتشارات بین المللی چتر اندیشه مجله پیشرفت های نوین در روانشناسی، علوم تربیتی و آموزش و پرورش 2588-6967 9 96 2026 06 06 توانمندسازی الگوریتمی یا کنترل الگوریتمی؟ نقش تعدیل‌گر سرمایه روانشناختی در رابطه بین یکپارچگی هوش مصنوعی مولد و احتکار دانش در میان کارکنان نسل زد 30 49 10.22051/jera.2021.31891.2698 FA سعیده دانش آموخته رشته علوم تربیتی تکنولوژی آموزشی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران 2026 02 11 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. /downloadfilepdf/14278