AI 透明度如何改变员工的工作？从情绪机制到工作重塑的实证证据

值得抓住的四个判断：

1. 研究对象不是单纯的“愿不愿使用 AI”，而是员工会不会主动重塑工作流程。
2. 三项研究重复支持两条特定的情绪中介路径：透明度 → AI Playfulness → 主动采用；透明度 → AI Frustration → 回避型工作重塑。
3. STARA 替代威胁感知越强，透明度的情绪改善效果越弱；组织 AI 准备度的增强效果只获得部分证据支持。
4. 统计表中还有重要张力：透明度对回避行为的条件直接系数与其经挫败感产生的间接效应方向相反。把这篇论文概括成“透明度必然减少回避”会超出证据。

文献来源： Shi, B., Yin, M., Niu, X., & Liu, D. (2026). Opening the Black Box of AI: The Effect of AI Transparency on employees’ Job Crafting. International Journal of Human–Computer Interaction，2026 年 6 月 1 日在线发表。论文 DOI。文中的页码指论文正文第 1–30 页。

一、研究的问题不是“AI 好不好用”，而是人会怎样改变工作

技术接受研究常问：用户信任 AI 吗？会不会打开它？但工作场所真正的转变发生在下一步：员工是否主动改变任务分配、重新安排步骤，把 AI 变成工作流程的组成部分？

**Job Crafting（工作重塑）**指员工主动改变自身工作任务、认知或人际边界的行为。论文借用 Bruning 和 Campion（2018）的接近／回避框架，在 AI 场景中考察两个方向：

因此，论文的贡献不是再次证明“好解释的 AI 比较受欢迎”，而是讨论 AI 作为工作系统中的行动者，其技术特征怎样改变员工的主动行为。

另一个容易混淆的概念是 AI Transparency（AI 透明度）。作者把它操作化为：工作场所 AI 的运行规则、模型参数、内部决策逻辑对员工有多大程度的可见性与可访问性。这个定义主要针对静态、系统内置的结构性透明度。动态对话解释、执行轨迹和可交互溯源虽然被作者讨论，但不是实验实际检验的对象（原文第 2–3 页）。

二、为什么透明度会影响工作重塑：ATE 情绪评价理论

研究采用 Appraisal Theory of Emotions（ATE，情绪评价理论）。它关注的并不是技术刺激本身有多强，而是人怎样评价这一刺激对自身目标的意义：这是机会还是威胁？自己有没有资源应对？

作者据此提出，透明的 AI 能让员工更了解系统的工作方式、降低不确定性，更容易产生探索中的愉悦感（AI Playfulness），并减少使用受阻时的挫败感（AI Frustration）。

这张图只保留跨三项研究最稳定的两条间接路径。在右侧路径中，透明度降低 Frustration，而 Frustration 越高又越容易引发回避，因此得到“经由降低挫败感，间接减少回避”的方向。

几个术语要准确区分：

• AI Playfulness：使用 AI 时的认知自发性、好奇心与愉悦感。它不是产品被“游戏化”。
• AI Frustration：AI 使用不协调带来的不确定、困惑、挫败与不安。
• STARA Awareness：Smart Technology、Artificial Intelligence、Robotics、Algorithms Awareness，即员工对智能技术、AI、机器人和算法可能改变或替代自己工作的主观感知。它不是实际失业概率。
• Organizational AI Readiness：组织在资金、技术成熟度、专家与管理层支持等方面引入 AI 的准备程度。

STARA 和组织 AI 准备度属于调节变量：它们不是情绪本身，而是影响“同样的透明度，会在不同人和组织中产生多强的情绪反应”。

还要保留一条理论边界：ATE 讲述“外部刺激 → 机会／威胁认知评价 → 情绪”的机制，但论文并未独立测量完整的机会／威胁评价链条。这是一种得到相关路径支持的理论解释，而不是每一环都被直接验证的因果链。

三、研究设计：两个原型实验加一项职场调查

三项研究合计 694 份有效问卷。它们不是同一批人的长期追踪数据，证据用途有所不同。

实验中“透明”的具体含义

论文第 9–10 页的 Figures 2–3 展示了一套跨境电商 AI 助手原型。参与者扮演负责商品运营的员工，使用“市场趋势预测”功能预测笔记本、手机等商品下一季度的成交价格与销售量。

• 高透明度条件：点击“如何预测”后，可以查看预测功能说明、平台类型、上季度销量、促销折扣等参数，且能调整部分参数。
• 低透明度条件：点击同一按钮后，系统提示预测模型与过程尚不展示。
• Study 2 的组织准备度操纵：高准备度界面显示公司已购买功能并配备专家、设备支持；低准备度界面显示相关功能和帮助尚不可用。

两个实验都要求参与者实际点击指定界面后才能答题，使用经翻译与回译调整的 7 点量表测量透明度感知、愉悦、挫败、采用和回避倾向，并控制基本人口特征、AI 熟悉程度和既往经验。

操纵检验并不等于强效干预。 Study 1 高透明组的感知透明度均值为 4.583，低透明组为 4.255，t = 2.136，p < 0.05；绝对差异仅约 0.33／7 分。差异达到了显著性标准，但不能据此说两组产生了很大的实际体验落差。

Study 3 使用真实工作人群，在软件、直播、电商、自媒体等职位筛选曾在工作中使用 AI 的员工。样本以年轻、高 AI 熟悉度者为主（第 16–17 页）。

四、实证结果：什么重复出现了，什么没有？

4.1 两条相对稳定的间接路径

下表摘取原文 Tables 3、7、12 的 bootstrap 间接效应及其 95% 置信区间：

六个区间均未跨零，三项研究中方向相同。因此，“透明度通过情绪间接关联主动采用与回避倾向”是论文相对稳固的发现。

不要把 +0.130 解读成使用率提升 13%，也不要把 +0.026 解读成生产率提升 2.6%。 这些是模型内的间接效应估计，不是业务 KPI 的相对变化；三项研究的估计也不能脱离不同样本与模型直接进行效率排名。

同时，其他假设路径不够稳定。例如，Frustration 对 Adoption 的影响在 Study 3 中不显著，Playfulness 对 Withdrawal 的关系也没有得到跨研究一致支持。因此，论文强调上述两条“最稳定的间接路径”是有依据的，但不应把所有假设都解释为完整成立。

4.2 STARA：担心被替代的人，不会因为 AI 透明就自动安心

Study 2 中，AI 透明度与积极情绪的简单斜率：

当岗位替代威胁感知较高时，这两种简单斜率均未达到统计显著水平。透明度 × STARA 的交互项在 Study 2 分别为 −0.064（Playfulness）和 +0.083（Frustration），Study 3 也获得同方向显著交互支持（第 13–19 页）。

这说明“技术解释”与“职业安全感”是不同层面的事情：一个员工完全可以看懂 AI 的工作依据，同时担忧岗位会被 AI 取代。

但这不等于高 STARA 员工必然拒绝使用 AI。 论文支持的是透明度所带来的情绪变化被削弱，而不是对每位员工的行为作确定预测。

4.3 组织 AI 准备度：对积极情绪的放大作用只获部分支持

Study 2 中，组织准备度与透明度的交互并不显著：对 Playfulness 的交互系数 +0.011（p = 0.803），对 Frustration 为 +0.104（p = 0.074）。假设 H5 和 H7 在该实验中未获支持。

Study 3 则发现，透明度 × 组织准备度对 Playfulness 的交互系数为 +0.060（p < 0.05），但对 Frustration 仍不显著（p = 0.627）。在“透明度 → Playfulness → Adoption”的路径上，高、低准备度组的间接效应分别为 0.066（p = 0.005）、0.037（p = 0.066），差异为 0.029（p = 0.048）。

准确结论应是：组织资源与支持可能增强透明度通过积极情绪促进 AI 主动采用的作用，但这一调节效果主要来自 Study 3 的相关性证据，尚需现场随机实验确认。

五、一个更复杂的结果：间接减少回避，但条件直接系数却为正

如果只看摘要，会留下“透明度减少员工回避 AI”的整体印象。细看 Tables 2、6、11，情况并非这么简单：

这里的“直接系数”来自加入情绪中介和控制变量后的多元回归，不能等同于无条件的总体因果效应。Study 3 中透明度与 Withdrawal 的原始相关系数只有 r = −0.099，但条件回归系数为 +0.164，也说明不同模型估计对象不能混看。

这一结构与不一致中介／抑制效应的形式相似：一些路径减少回避，另一些未被充分解释的路径可能朝相反方向变化。可能的解释之一是，理解 AI 降低了使用上的困惑，却也让人更加清晰地意识到隐私、责任或岗位替代风险。

上述竞争性解释是研究推演，不是本论文已直接验证的第三条路径。 应进一步报告清楚总体效应、直接和间接路径的定义及敏感性分析。不能因为负向间接路径显著，就断言透明度的净效应必然降低员工回避；也不能因为正向条件系数显著，就断言透明度会导致更多回避。

六、方法与统计报告的四个核查点

1. “看得见”和“能调整”没有被拆开

高透明度组同时得到解释可见性与参数可调性；后者本身就可能增强控制感与参与感。要分别识别效果，后续至少需要一个两因素实验：

这样才能独立估计透明度与可控性，以及它们的交互。原文 §7.4 承认了这一局限。

另一个相关干扰是期望落差：低透明度用户并非从未看到解释按钮，而是点开“AI 怎样预测？”后得到“暂不展示”的提示。被系统主动唤起却无法满足的解释期望，本身就可能增加挫败感；作者也在局限性部分承认这一点。

2. Study 1 的 R² 行无法由公开相关矩阵复现

利用 Study 1 Table 1 的相关系数矩阵与 Table 2 中列出的自变量，可以根据多元线性回归的关系 R² = rᵀ R⁻¹ r 近似重算各模型的解释率（r 是因变量与预测变量的相关向量，R 是预测变量之间的相关矩阵）。

重算基于论文已四舍五入至三位小数的数据，并非原始样本的完全复现；但差异明显超出合理舍入误差。尤其值得注意的是，使用相同相关矩阵反推的主要非标准化回归系数却与 Table 2 高度接近，例如透明度 → Playfulness ≈ +0.368、透明度 → Frustration ≈ −0.232。

因此，Table 2 的 R² 一行可能存在排版、报告或模型标签错误，需要核查原始软件输出，不能在引用中不加审查地沿用这些解释率。

3. 个别表格和文字存在不一致

Study 1 的 Table 3 将“透明度 → Playfulness → Withdrawal”报告为 +0.008，但根据 Table 2 同名路径系数计算，0.368 ×（−0.128）≈ −0.047，两者符号和数值不一致。需要澄清是否使用不同模型设定，或存在录入差错。该路径在 Table 3 中不显著，不属于本文最核心的两条结果。

此外，Study 1 的人数描述先写招募 148 人，后称剔除 19 份无效问卷后仍得到 148 份有效问卷，也需要核对初始人数（第 7、10 页）。

这些问题不足以自动否定研究整体，但提示引用者应优先引用可交叉验证的效应及置信区间。

4. 主观量表不等于实际行为，更不等于业务产出

前两个实验更接近体验后的采用意愿；第三项研究为横截面自陈问卷，无法单独确认长期行为变化。Study 3 的 Harman 单因素检验第一因子解释 29.07% 方差，只是有限的共同方法偏差排查，不能彻底排除同源测量问题。验证性因子分析指标为 CFI 0.906、TLI 0.891、RMSEA 0.087，优于作者设置的替代模型，但不能称作毫无争议的完美拟合（第 17–18 页）。

样本也集中于中国年轻、熟悉 AI 的知识与数字化岗位。结果不宜直接推广到高风险医疗、金融风控、航空或高度重复性的制造岗位。

更重要的是，回避 AI 并非必然错误。当系统不可靠或任务高风险时，主动维持人工复核、拒绝把关键决定交给 AI，可能是合理的风险管理。评价人机协作应同时衡量恰当采用与恰当拒绝，而不只奖励更高的使用频率。

七、对自主式 AI Agent 的延伸：透明度应回答哪些问题？

论文原型是相对低自主性的嵌入式 AI 助手。自主式 Agent 可以读取文件、调用工具、修改数据、执行多步任务乃至影响真实系统，因此“透明”已经不只是展示模型的输入参数。

下面是基于论文机制提出、尚未由该论文直接检验的 Agent 设计假设：

呈现可核验的工具轨迹、关键决策依据与任务状态，不等于公开模型内部所有隐藏推理。 过度解释也可能造成认知负荷；论文将动态可解释性交互列为后续研究方向（第 23–24 页），但没有验证 Agent 场景中最适合的解释颗粒度。

一个可检验的后续研究可以这样开展：

1. 将**执行透明度（高／低）与人工可控性（高／低）**分开随机操纵；
2. 同时测量机会／威胁认知评价、Playfulness、Frustration、STARA 与信任校准，弥补原文部分中间机制未直接测量的问题；
3. 对真实任务进行数周跟踪，记录主动委托、任务质量、适当拒绝、人工接管、错误恢复时长、越权或不可逆失败；
4. 按岗位风险与组织支持条件分层，区分“因恐惧而无效回避”和“因风险而合理停用”。

从这条研究路线，能提出一个比“是否喜欢 AI”更重要的问题：

何种程度、何种类型的透明度，能让员工形成稳定、有效且安全的人机分工，而不是只提升一次交互后的主观好感？

结语

这项研究最有价值的进展，是把 AI 透明度对人的影响，从一般的“信任—接受”推进到了“技术特征—情绪反应—工作重塑”的行为机制。两条间接路径得到三项研究重复支持；STARA 揭示了透明度难以独自跨越的职业安全感边界；组织准备度则提示技术之外的支持环境同样重要。

但理论仍需要更强的证据去区分透明度和控制感、识别相反方向的路径、测量真实长期行为。面向未来 Agent 系统，值得追求的也不是“暴露最多内部信息”，而是在正确的任务和风险边界上，提供足够理解、验证和干预的信息。

关键参考文献

• Shi et al. (2026), 原始研究；关键位置：Figure 1（理论模型）、Figures 2–3（实验界面）、Tables 1–13（主要统计结果）、§7.4（局限性）。
• Bruning & Campion (2018), 工作重塑的接近／回避框架。
• Brougham & Haar (2018), STARA 感知。
• Beaudry & Pinsonneault (2010), 情绪与技术使用。
• Endsley (2023), 人机团队的透明度、解释性与情境感知。