The Acceptance of AI Tools Among Design Professionals: Exploring the Moderating Role of Job Replacement
Notice bibliographique
Résumé
This study proposes a hypothetical model combining the unified theory of acceptance and use of technology (UTAUT) with self-determination theory (SDT) to explore design professionals’ behavioral intentions to use artificial intelligence (AI) tools. Moreover, it incorporates job replacement (JR) as a moderating role. Chinese-speaking design professionals in regions influenced by Confucian culture were surveyed. An analysis of 565 valid cases with AMOS (Analysis of Moment Structures) supported the structural model hypothesis. The model explains 52.1% of the variance in behavioral intention to use (BIU), proving its effectiveness in explaining these variances. The results further validate the importance of performance expectancy (PE) over effort expectancy (EE) in influencing BIU. Additionally, it has been shown that the impact on intrinsic motivation (IM) and extrinsic motivation (EM) can be either amplified or diminished by anxiety about JR. For individuals experiencing higher levels of JR anxiety, there is a marked increase in IM. They may perceive adopting AI tools as an opportunity to enhance their skills and job security. Conversely, this anxiety also significantly boosts EM, as the potential for improved efficiency and productivity with AI use becomes a compelling incentive. These findings suggest new paths for academic researchers to explore the psychological impacts of AI on design professionals’ roles. For practitioners, especially in human resources and organizational development, understanding these dynamics can guide the creation of training programs that address job replacement anxiety.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».