人工智能焦虑对员工偏差行为的影响——一个有调节的中介模型

徐广路

（南京信息工程大学 商学院，江苏 南京 210044）

一、引言

在经济转型升级的时代需求下，人工智能技术正在加速与实体经济融合，掀起了新一轮科技创新浪潮，成为新时代中国经济数字化转型的关键驱动力量［1］。人工智能快速发展给经济和社会带来了巨大影响。在宏观层面，人工智能应用通过人力资本提升效应、服务业需求效应和岗位创造效应促进城市产业结构升级［2］；在微观层面，人工智能应用能够提高收入水平、减少工作时间，并且促进职业发展和工作满意度提升［3］。但不可忽视的是，人工智能技术应用致使企业降低了对劳动力的需求［4］，导致大量工作岗位将被人工智能所替代。有研究预测，未来20 年，受人工智能影响，我国76.76%的岗位将受到冲击［5］。人工智能对就业的“替代效应”引发大量企业员工对失业的恐慌，表现出人工智能焦虑，这一情绪极大地影响了人们的学习、工作和生活［6］。

Johnson 和Verdicchio［7］认为，人工智能焦虑是指个体对人工智能失去控制而产生的不安和恐惧。针对人工智能焦虑这一问题，目前研究主要包括三个方面：第一，人工智能焦虑的维度。比如，人工智能焦虑主要包括工作替代焦虑、学习焦虑、隐私侵犯焦虑等［6］。第二，人工智能焦虑的成因。比如，成因主要包括人工智能技术对就业的颠覆性、工作价值伦理受到挑战、人类需求难以满足［1］。第三，人工智能焦虑的后果。比如，人工智能焦虑促进动机学习行为［8］。通过梳理可以看出，虽然已有研究对人工智能焦虑的内涵和维度有了比较全面的研究，但对人工智能焦虑的前因和后果研究较少。焦虑有促进作用和阻碍作用，促进作用会提升任务表现，而阻碍作用会降低任务表现［9］。Wang 和Wang［8］认为，人工智能焦虑可能促进人们发展自己的技能，继而提升动机学习行为。然而，人工智能焦虑的阻碍作用如何影响员工的负面行为，较少有研究涉及。

在人类发展史上，技术发展导致工人对工作场所的破坏行为层出不穷。例如，随着工业革命完成，欧洲各地开始进入大规模工业化时代。冰冷的机器占据很多原本属于工人的岗位，为了夺回属于自己的工作，工人们争相摧毁机器［5］。人工智能技术相较于以往数次技术进步对劳动者就业影响更大，这也预示着，人工智能焦虑的阻碍作用对员工负面行为的影响可能会更大。工作场所偏差行为是一种重要的工作场所负面行为，主要是指员工自主实施的违反组织规范，并威胁组织或其成员福利的行为［10］。工作场所偏差行为对组织产生了巨大的破坏作用，一方面，使得组织每年因偏差行为遭受巨大的经济损失；另一方面，当员工遭遇同事实施的偏差行为后，会导致忠诚度下降、损害自尊、离职等问题［11］。因此，有必要探讨人工智能焦虑是否会影响员工偏差行为以及背后的机制，以便组织制定政策，干预人工智能变革过程中员工因焦虑所实施的偏差行为。

自我控制资源模型认为，个体在执行自我控制时，需要消耗有限的自我控制资源，导致自我控制资源减少［12］。当个体缺乏自我控制资源导致自我损耗时，便无法控制自己的行为，进而出现一些反社会行为，比如工作场所偏差行为［13-14］。在工作场所中，焦虑作为一种消极情绪会消耗个体自我控制资源［15-16］，导致出现自我损耗［17］。因此，人工智能焦虑可能会通过自我损耗的中介作用影响员工实施偏差行为。同时，自我控制资源模型认为，监督作为个人通过将自我（或自我的相关方面）与标准进行比较来测试和调整行为的机制，可以有效替代自我控制资源对个体行为的控制过程［18］。公我意识强调个体会根据社会标准来调节自己的行为，使其更符合社会规范的要求［19］。工作场所中的偏差行为往往被许多人视为不符合社会规范的行为［20］，因此，公我意识可以发挥监督功能，并有效替代自我控制资源的功能。即使个体出现自我损耗，公我意识较强的个体也不会轻易出现偏差行为。换言之，公我意识在自我损耗对偏差行为的影响过程中，可能发挥调节作用。综合上述分析，本文基于自我控制资源模型，构建一个有调节的中介模型，探讨人工智能焦虑对员工偏差行为的影响机制，着重分析自我损耗在人工智能焦虑与员工偏差行为之间的中介作用、公我意识在自我损耗与员工偏差行为之间的调节作用以及公我意识在人工智能焦虑通过自我损耗对员工偏差行为间接影响过程中所发挥的调节作用。本研究的理论贡献在于：第一，扩展了对人工智能焦虑影响后果的研究、对工作场所偏差行为情绪触发因素的理解，丰富了人们对组织实施人工智能变革过程中员工心理和行为规律的认识；第二，从自我损耗角度探讨人工智能焦虑对个体偏差行为的影响，扩展了员工自我损耗情境因素，增加了自我控制资源模型应用范围；第三，研究发现公我意识会弱化人工智能焦虑对员工偏差行为的影响，明确了人工智能焦虑引发员工偏差行为的边界条件。

二、研究假设

（一）人工智能焦虑与员工偏差行为

自我控制资源模型认为，个体在执行自我控制时需要消耗有限的自我控制资源，同时，个体每执行一次控制任务，其自我控制资源将会减少［12］。当个体的自我控制资源减少时，会降低对未来行动的自我控制能力，从而导致自我控制失败［21］。焦虑被定义为一种在潜在威胁情景下产生的厌恶情绪体验［22］，包含特质焦虑和状态焦虑［8］。人工智能焦虑是对人工智能失去控制的恐惧和担忧，是一种状态焦虑［8］。工作场所的人工智能焦虑主要包括工作替代焦虑和学习焦虑，工作替代焦虑指员工担心被人工智能替代而引发的有关人工智能取代自己职业的焦虑；学习焦虑指通过观察或者亲身经历而认识到学习人工智能技术困难产生的焦虑［6］。现有研究表明，在工作场所中，焦虑作为一种消极情绪会消耗个体自我控制资源，导致个体自我控制资源减少［15-16］。而偏差行为是一种意志行动，实施偏差行为的动机主要来自报复的想法、获取个人利益或者想表达具体情绪［11］。自我控制资源减少会降低个体对这些动机引发的行为的控制能力，使得这些本应被抑制的行动将会更可能发生［11］。具体来说，自我控制资源减少，会使得个体不太能抑制人际的攻击性或潜在的破坏性冲动［23］，提升实施报复行为的动机；自我控制资源减少也会使得个体无法克服短期利益的诱惑，从而实施不道德行为［24］。同时，由于表达情绪比压制情绪消耗个体的自我控制资源更少，当个体的自我控制资源不足时，实施取笑同事这种表达情绪的行为的可能性更高［16］，也会提升表达具体情绪的动机。上述研究均表明，自我控制资源减少会提升个体实施偏差行为的可能性。因此，人工智能焦虑程度提升会促进员工实施偏差行为。已有研究也证实，焦虑情绪会导致偏差行为［25］，人工智能焦虑作为一种对具体情形的焦虑自然也不例外。基于以上研究，本文提出假设1。

H1：人工智能焦虑正向影响员工偏差行为。

（二）自我损耗的中介作用

自我损耗指由先前的意志行动引起的个体继续从事意志行动（包括控制环境、控制自我、做出选择和发起行动）的能力或意愿暂时降低［14］。在自我控制资源模型看来，自我损耗的核心要义在于个体实施一系列意志行动，均需要耗费个体有限的自我控制资源［14］，最终会导致出现自我控制资源的损耗状态，即自我损耗［17］。人工智能焦虑会导致个体自我损耗，主要原因在于以下三点：第一，焦虑的个体会产生一种对威胁刺激的注意力偏见，从而使得注意力无法从这些威胁刺激脱离［26］，进而，焦虑个体的注意力自动地被威胁刺激所占用，从而影响任务绩效［27-28］。那么，在这种情况下，为了抑制与任务无关的自动化反应，个体需要投入额外的自我控制努力［27］。有研究表明，当个体经历负性情绪时，往往伴随着自动化的规制过程，以消除这种不良情绪，进而会消耗个体有限的自我控制资源［15］。因此，焦虑损害自我控制资源，进而导致自我损耗［29］。第二，焦虑会导致个体产生摆脱威胁刺激的行动倾向，而这种逃离行为并不能真正解决问题，因此个体又不得不进行自我控制来克服因焦虑引发的逃离倾向［29］。焦虑引发个体付出额外的自我控制努力，会消耗个体的自我控制资源，进而出现自我损耗［29］。第三，人工智能焦虑会使得个体在组织内与智能机器的竞争中处于不利地位，继而产生一种不被雇主重视的感受［30］，从而降低对组织的归属感。已有研究表明，高归属感会提升个体自我控制能力［31］，而低归属感会降低个体自我控制能力，进而导致自我控制资源损耗。基于上述三种影响机制，本文提出研究假设2。

H2：人工智能焦虑正向影响自我损耗。

自我控制资源模型认为，面对特定的刺激，个体均会有冲动反应，而促使自己朝着目标前进的能力来自个体拥有控制冲动和欲望的一般性资源［32］。当个体没有足够的自我控制资源来履行自己的角色要求，控制资源自我损耗会提升个体参与偏差行为的可能性［13］。已有研究也表明，控制资源自我损耗正向影响个体实施偏差行为［16］。因此，本文提出研究假设3。

H3：自我损耗正向影响偏差行为。

结合H2、H3，人工智能焦虑正向影响员工自我损耗，自我损耗正向影响员工偏差行为。由此可以推测，人工智能焦虑通过自我损耗的中介作用对员工的偏差行为有正向影响。因此，本文提出研究假设4。

H4：自我损耗在人工智能焦虑与员工偏差行为的关系中发挥中介作用。

（三）公我意识的调节作用

自我控制资源模型认为，拒绝实施偏差行为需要个体注入自我控制资源，如果缺少相应的资源，个体实施偏差行为的可能性便会提高［11，13］。同时，自我控制过程除了需要自我控制资源之外，还需要监督。这种监督过程表现为个人通过将自我（或自我的相关方面）与标准进行比较来测试和调整自己的行为。并且在一定程度上，自我控制资源与监督可以相互替代，即使自我控制资源不足，监督也可以有效替代自我控制资源对个体行为的控制过程［18］。

自我意识是指个人将注意力引导到自己内部或外部的倾向或意愿［33］，自我意识包括私我意识和公我意识。私我意识指个体倾向于将注意力集中在自己的内在方面，如思想、内在感觉和身体感觉；公我意识指个体倾向于将注意力集中在作为社会客体的自我。自我意识通过干预比较过程来对个体行为产生影响。比如，当个体的公我意识占据主导地位时，个体行为标准将会由公我意识决定，此时，个体就会将标准集中在作为社会客体的自我，很在意别人对他们的看法以及他们在别人心目中的形象，进而会根据这些标准来调节自己的行为，并使得自己行为更符合社会规范要求［19］。工作场所中的偏差行为往往被许多人视为不恰当的或超出正常的可接受惯例［20］。公我意识可以促使个体将自己的行为与社会规范进行比较，确保个体按照社会规范要求调整自己的行为，从而限制个体实施偏差行为。由自我控制资源模型可以看出，公我意识实际上在个体偏差行为控制过程中发挥着监督功能，可以替代自我控制资源作用。对于高公我意识的个体，即使面临控制资源自我损耗的情况，他们也会时刻根据社会规范控制自己的行为，以期符合组织期许。也就是说，员工公我意识程度越高，个体自我损耗对其偏差行为的影响越小。基于此，本文提出研究假设5。

H5：公我意识负向调节自我损耗对员工偏差行为的影响。

结合H4、H5 可以推测，高人工智能焦虑的员工会导致更多控制资源自我损耗，进而实施组织偏差行为的可能性更大。而对于公我意识强的个体，他们实施偏差行为时更关注社会规范对自己的要求，即使因为人工智能焦虑导致个体自我损耗，也会尽量调配资源使其符合社会规范。因此，对于公我意识强的员工，人工智能焦虑通过自我损耗对员工偏差行为的间接影响更低。基于此，本文提出研究假设6。

H6：公我意识负向调节人工智能焦虑通过自我损耗对员工偏差行为的间接影响。

综上，本文理论模型如图1所示。

图1 理论模型

三、实证分析

（一）研究样本

本文选用专业化调研平台见数（Credamo）进行网络调研，调研群体限制为企业员工。Credamo 是一家付费调研公司，拥有包含3 000 家企业和超过200 万员工的样本库。平台可以设置一系列质量控制措施来促使样本认真作答，确保调研的真实性。本次调研地区覆盖全国28 个省份，合计发放447 份问卷，收回有效问卷共274份。从样本分布来看，男性占46%，女性占54%；年龄分布在20～58 岁之间，其中，25～40 岁员工分布较为集中，占比达89%；本科学历占80.7%，本科以下占8%，本科以上占11.3%；农村户籍占23.4%，城镇户籍占76.6%。样本广泛分布于财务/审计、管理、技术/研发、人力资源、市场/公关、后勤等岗位。

（二）测量工具

本研究量表主要来自国内外权威期刊论文中使用的成熟量表，所有量表均采用李克特7 点计分，其中1表示非常不同意，7表示非常同意。

（1）人工智能焦虑。本研究使用量表来自Li和Huang［6］的研究，根据研究背景，选择与工作场所人工智能焦虑相关的两个维度。其中，工作替代焦虑包含3 个条目，学习焦虑包含3 个条目。工作替代焦虑典型题项如“我担心人工智能将来会取代我的工作”；学习焦虑典型题项如“人工智能技术更新过快，学习难度大”。该量表的Cronbach'sα系数为0.905。

（2）自我损耗。本研究使用Lin 和Johnson 所采用的5 条目自我损耗量表［34］，代表性题项如“我感觉筋疲力尽”和“我要付出大量努力才能集中于某些事情”。该量表的Cronbach'sα系数为0.856。

（3）偏差行为。本研究使用量表来自Bennett和Robinson［10］的研究，并进行了精简。该量表共有8 个条目，典型题项如“我常花时间做白日梦而不是好好工作”和“我常不经组织同意而迟到”。该量表的Cronbach'sα系数为0.863。

（4）公我意识。本研究使用Malär 等所编制的量表［35］，该量表共有4个题项，典型题项如“我很在意如何向别人呈现自己”和“我通常担心是否给人留下好印象”。该量表的Cronbach'sα系数为0.795。

（5）控制变量。已有研究表明，年龄、性别和教育程度会影响员工偏差行为［36］，户籍会影响员工人工智能焦虑情况［37］。为了排除这些变量干扰本文核心变量之间的关系，本文将年龄、性别、教育程度和户籍设置为控制变量。

四、数据分析与结果

（一）区分效度与共同方法偏差检验

为了确保人工智能焦虑、自我损耗、公我意识和偏差行为4 个核心变量之间具有良好的区分效度，本研究使用验证性因子分析方法，对这些变量进行区分效度检验。首先，研究依据随机打包的方法，将人工智能焦虑打包成3个包。由于研究的主要目标是确保核心构念间的区别，而不是构念中题项之间的相互关系，因此，对题项进行打包是合理的处理方式［38］。然后，构建6个模型验证变量之间的区别效度。这6 个模型分别是：M1 包含人工智能焦虑、自我损耗、公我意识和偏差行为4个因子；M2 包含人工智能焦虑与自我损耗的合并因子、公我意识和偏差行为；M3 包含人工智能焦虑与偏差行为的合并因子、自我损耗和公我意识；M4包含自我损耗与偏差行为的合并因子、人工智能焦虑和公我意识；M5包含人工智能焦虑、自我损耗与偏差行为的合并因子和公我意识；M6 包含所有变量的合并因子。根据表1所列，四因子模型（M1）的拟合效果最好（χ2=400.288，df=164，CFI=0.916，TLI=0.902，RMSEA=0.073，SRMR=0.059），其拟合优度显著优于其他模型，且通过了显著性水平为0.01的卡方检验。这表明本研究的四个关键变量具有良好的区分效度。

表1 验证性因子分析

由于所有变量均来自员工评价，本文参考苗正淼等［39］的研究，使用Harman 单因素检验法检验共同方法偏差问题。结果显示，未旋转因子特征值大于1共提取出4个因子，其中，最大因子载荷量为32.369%，低于40%的临界值。因此，本研究不存在严重的共同方法偏差问题，可以进行下一步研究。

（二）描述性统计与相关分析结果

各变量的均值、标准差、相关系数见表2所列。由表2可以看出，人工智能焦虑与偏差行为正相关（r=0.263，p＜0.01），人工智能焦虑与自我损耗正相关（r=0.456，p＜0.01），自我损耗与偏差行为正相关（r=0.684，p＜0.01），公我意识与偏差行为负相关（r=-0.201，p＜0.01）。相关分析结果与理论预期基本一致，初步验证了研究假设。

表2 描述性统计与相关系数

（三）假设检验分析

（1）检验主效应。由表3 可知，当性别、年龄、教育程度和户籍得到控制后，可以发现人工智能焦虑对偏差行为具有显著正向影响（M1，β=0.259，p＜0.01）。由此，H1得到验证。

表3 实证分析结果

（2）检验中介效应。本文采用因果步骤法进行检验，该方法操作简单，且检验结果一目了然，易于理解［40］。首先，检验自变量（人工智能焦虑）对因变量（偏差行为）的影响，H1 已经得到验证；其次，检验自变量（人工智能焦虑）对中介变量（自我损耗）的影响，结果显示，人工智能焦虑显著正向影响自我损耗（M2，β=0.448，p＜0.01），H2 得到验证；最后，控制自变量（人工智能焦虑）检验中介变量（自我损耗）对因变量（偏差行为）的影响，结果显示，自我损耗显著正向影响员工偏差行为（M3，β=0.705，p＜0.01），H3 得到验证。与此同时，人工智能焦虑对员工偏差行为的影响不再显著（M3，β=-0.057，p＞0.05）。上述结果符合中介效应显著存在的检验标准，说明自我损耗在人工智能焦虑与员工偏差行为之间发挥中介作用，且是完全中介作用，H4得到验证。但是，有学者也提出因果步骤法存在很多缺陷，比如，统计功效较低，容易低估第I类的错误率，且无法提供中介效应的置信区间［40］。为了确保结果的稳健性，参考汪伟等［41］的研究，使用PROCESS V3.4 插件中的model 4 对自我损耗的中介效应进行基于Bootstrap分析的检验，重复抽样次数设置为5 000。结果表明，人工智能焦虑通过自我损耗对偏差行为影响的总效应为0.136，95%CI=［0.076，0.197］；直接效应为-0.030，95%CI=［-0.082，0.022］；间接效应为0.166，95%CI=［0.076，0.280］。间接效应置信区间不包括0，直接效应置信区间包括0。这一结果说明，自我损耗在人工智能焦虑与员工偏差行为之间发挥中介作用，且是完全中介作用，H4再次得到验证。

（3）检验公我意识的调节效应。按照调节效应的常规检验方法，将自我损耗、公我意识和偏差行为进行标准化，再将自我损耗和公我意识加入回归方程。结果显示，自我损耗显著正向影响员工偏差行为（M4，β=0.666，p＜0.01），公我意识显著负向影响员工偏差行为（M4，β=-0.138，p＜0.01）。在M4的基础上加上自我损耗与公我意识的交互项，对偏差行为回归，结果显示，自我损耗与公我意识的交互项显著负向影响偏差行为（M5，β=-0.322，p＜0.01），说明公我意识调节自我损耗与偏差行为两者之间的关系，H5 得到验证。为了更进一步明确调节效应的作用方向和大小问题，参考汪林等［42］的研究，以均值加减一个标准差为基准划分公我意识的高低水平，分别就自我损耗对偏差行为进行回归分析。结果表明，对于较低公我意识的员工来说，自我损耗正向影响员工偏差行为，且影响程度较高（β=0.777，95%CI=［0.693，0.861］）；对于较高公我意识的员工来说，自我损耗正向影响员工偏差行为，且影响程度较低（β=0.358，95%CI=［0.247，0.470］）。这一结果说明，公我意识程度越高，自我损耗对员工偏差行为的影响越小，公我意识负向调节自我损耗对员工偏差行为的影响，H5 再次得到验证。公我意识的调节作用如图2所示。

图2 公我意识的调节作用

（4）检验有调节的中介效应。参考汪伟等［41］的研究，使用PROCESS V3.4 插件中的model 15 对有调节的中介效应进行基于Bootstrap分析的检验，重复抽样次数设置为5 000，检验结果见表4 所列。具体来说，对于低公我意识（M-1SD），人工智能焦虑通过自我损耗对偏差行为的间接影响显著存在，且影响程度较高（β=0.217，95%CI=［0.112，0.329］）；对于高公我意识（M+1SD），人工智能焦虑通过自我损耗对偏差行为的间接影响显著存在，且影响程度较低（β=0.076，95%CI=［0.025，0.154］）；公我意识高低取值不同时，人工智能焦虑通过自我损耗对偏差行为的间接效应的差值为-0.141，95% CI=［-0.226，-0.040］，置信区间均不包含0，有调节的中介效应显著存在。检验结果表明，公我意识越高，人工智能焦虑通过自我损耗对偏差行为的间接效应越小，公我意识负向调节人工智能焦虑通过自我损耗对偏差行为的间接影响，H6得到验证。

五、结论和讨论

（一）研究结论

本文基于自我控制资源模型，通过对274份样本进行实证分析，探讨了人工智能焦虑对员工偏差行为的影响机制及边界条件。主要结论如下：①人工智能焦虑正向影响员工偏差行为。该结论既证实了焦虑与偏差行为之间的关系［43］，也证实了技术的破坏性会给员工带来消极情绪，进而引发员工对工作场所的破坏［5］。②自我损耗在人工智能焦虑与员工偏差行为的关系中发挥中介作用。已有研究也表明，焦虑损害自我控制资源，进而导致控制资源自我损耗［29］，而控制资源自我损耗会导致个体出现各种偏差行为［23，25］。本文研究证实了焦虑通过自我损耗对偏差行为的影响机制在人工智能背景下的适用性。③公我意识负向调节自我损耗对员工偏差行为的影响，公我意识负向调节自我损耗在人工智能焦虑与员工偏差行为之间的中介作用。已有研究表明，公我意识可以引导个体行为，使得个体行为更加符合社会规范［19，33］。本研究验证了在人工智能应用背景下，公我意识对员工偏差行为影响的缓解作用。

（二）管理启示

本研究发现，组织实施人工智能变革可能会诱发员工实施偏差行为，严重干扰组织正常运转和组织变革顺利推进。如何改善这一局面，有以下几点管理启示：

第一，降低员工人工智能焦虑。人工智能焦虑会提升员工实施偏差行为的可能性，因此，降低员工的人工智能焦虑是干预员工实施偏差行为的重要途径。员工的人工智能焦虑主要来自人工智能替代焦虑和学习焦虑。有效降低员工这两种焦虑可以从以下两方面入手：一方面，加强对员工职业生涯规划和职业生涯管理，为员工设计明确的职业生涯发展路径，缓解人工智能对员工职业发展的负面影响，提高员工职业安全感，降低员工的人工智能替代焦虑；另一方面，在组织内部建立互帮互助的学习文化，开展人工智能技术培训活动，多手段降低员工学习人工智能技术的成本，提高员工学习人工智能技术的效果，进而降低员工对人工智能技术的学习焦虑。

第二，缓解员工自我损耗。人工智能焦虑导致员工实施偏差行为，主要是由这一过程中员工控制资源的自我损耗所致。因此，对于人工智能焦虑程度较高的个体，增强控制资源是干预偏差行为的重要措施。当员工经历自我损耗时，感知到的主管支持可以帮助补充控制资源，从而干预员工实施偏差行为［44］。因此，组织需要加强对员工的关心和支持，缓解员工因人工智能焦虑出现的自我损耗。

第三，提高员工公我意识。公我意识是人工智能焦虑通过自我损耗影响员工实施偏差行为的重要边界条件。公我意识强的个体更愿意遵守社会规范，从而降低人工智能焦虑对员工实施偏差行为的影响。因此，应加强企业文化建设，营造团结互助、努力工作的组织文化氛围，用组织规范约束员工行为，尤其是公我意识较强员工的行为；通过各种培训互动提升员工的公我意识，强化员工遵守组织规范的意识；在员工招聘过程中注重员工选拔，着重录用公我意识较强的求职者。

（三）理论意义

第一，先前很多研究探讨了人工智能焦虑的含义［6］、维度［7-8］以及人工智能焦虑对员工学习动机、行为的影响［8］，较少有研究探讨人工智能焦虑对员工负性行为的影响。本文探讨了人工智能焦虑对员工偏差行为的影响，扩展了对人工智能焦虑影响后果的研究，丰富了对人工智能变革过程中员工心理和行为规律的认识。

第二，已有研究强调了工作场所中负面情绪与偏差行为之间的相关性［15］，比如，经历工作焦虑的员工更有可能做出偏差行为［43］。本研究分析人工智能背景下员工焦虑与偏差行为之间的关系后，得出人工智能焦虑是导致工作场所偏差行为重要因素的结论，这一结论扩展了对工作场所偏差行为情绪触发因素的理解。

第三，在工作场所偏差行为的形成机制研究中，很多学者从自我损耗角度探讨了睡眠剥夺［11］、网络欺凌［44］等因素的影响，却很少有学者从自我损耗角度探讨人工智能焦虑对个体偏差行为的影响。本研究扩展了员工自我损耗的情境因素，增加了自我控制资源模型的应用范围。

第四，本研究发现人工智能焦虑通过引发控制资源自我损耗导致员工实施偏差行为，但是，这一影响过程受个体公我意识影响。公我意识较强的人很在意别人对他们的看法，并根据别人的看法来调控自己的行为［19］。因此，即使自我损耗导致自我控制资源降低，为了使自己的行为符合公众期待，也会调控自己的行为。这一研究结论明确了人工智能焦虑引发员工实施偏差行为的边界条件。

（四）研究不足与展望

第一，本研究的核心变量均是在同一时点收集，这使得研究数据可能存在共同方法偏差问题。参考Cooper 等的方法［45］，未来可以考虑采用对自变量、中介变量和因变量分别在三个时点进行调研，并结合多主体评价方法收集数据，进而控制共同方法偏差。

第二，在样本信息采集方面，采集样本职业信息的同时，却忽略了样本所在行业的信息。未来在人工智能焦虑相关研究中，可以考虑采集样本所处行业的信息。现有研究在探讨人工智能对员工心理和行为的影响时，往往也将研究对象锁定在特定行业，比如服务业［46］。未来研究在探讨人工智能焦虑的影响因素和后果时，也可以针对某些特殊行业进行。

第三，本文虽然探讨了自我损耗在人工智能焦虑与偏差行为之间的中介作用，但人工智能焦虑与员工偏差行为之间可能存在更复杂的作用机制，参考社会交换理论［47］相关研究，未来可以考虑探讨消极互惠等因素的中介作用。

第四，人工智能焦虑、自我损耗对偏差行为的影响除了受公我意识调节作用外，还可能存在其他因素的调节。根据资源保存理论，当个体处于资源损失的情景下，很多其他资源可以起到补充作用，从而缓解资源损失对个体的影响，比如，感知主管支持［44］等，未来可以对这些变量的调节作用作进一步探讨。