The impact of artificial intelligence on organizational performance: The mediating role of employee productivity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The adoption of Artificial intelligence (AI) technology in the workplace is becoming more common, with several research highlighting both its positive and adverse influence on employee productivity (EP) and organizational performance (OP). Furthermore, there is a scarcity of research focused on the mediator role of EP in the nexus between AI and OP. This ambiguity underscores the need for a comprehensive understanding of how AI interacts with EP and OP within specific organizational contexts, such as Ethio Telecom. Therefore, this study aimed to investigate the impact of AI on OP with a mediating role of EP. Quantitative data was collected through an online survey using Kobo Toolbox from 172 purposively selected employees. AI was modeled as third third-order formative construct, while EP and OP were first-order reflective constructs. The variables were measured using validated multi-item questionnaires with a 7-point Likert scale. The association between these variables was investigated with PLS-SEM in SMART PLS 4.1.03. The results showed that there were positive and significant relationships between AI and EP, AI and OP, EP and OP, and AI on OP through EP. Furthermore, EP served as a partial mediator between OP and AI. These findings are consistent with previous studies and theories, such as the resource-based view and human capital theories. The results suggest that organizations can dramatically improve performance in the digital age by implementing AI and creating a work environment that encourages productivity.
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.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle