MétaCan
Menu
Retour à la cohorte
Enregistrement W4410874467 · doi:10.5430/jms.v16n1p51

The Effect of Artificial Intelligence Trust on Innovation Performance: Anti-Fragility and Knowledge Sharing Mediation and Identity Moderation

2025· article· en· W4410874467 sur OpenAlexvenueno aff
Haiyan Kong, Saddam Hussain, Yujie Han

Notice bibliographique

RevueJournal of Management and Strategy · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueOrganizational and Employee Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésModerationMediationFragilityPsychologyIdentity (music)Moderated mediationKnowledge sharingKnowledge managementSocial psychologySociologyComputer scienceSocial sciencePhilosophyAesthetics

Résumé

récupéré en direct d'OpenAlex

As the “new generation” enters the workplace, concerns about work attitudes increase, especially with artificial intelligence (AI) emerging as a disruptive force in the labor market. We explore the influence of AI trust on innovation performance, focusing on the mediating effects of anti-fragility and knowledge sharing, as well as the moderating role of organizational identity. Our findings indicate that AI trust significantly positively affects innovation performance. This effect is partially mediated by anti-fragility and knowledge sharing, and these mediations are moderated by organizational identity. The study enhances understanding of the mechanisms and boundary conditions linking the new generation’s AI trust to innovation performance, offering valuable insights for enterprises aiming to foster innovation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,535
Score d'incertitude au seuil0,178

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,283
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Management and StrategyMême sujetOrganizational and Employee PerformanceTravaux en français237 207