The Age of Anxiety: Unpacking Technological Job Insecurity and Its Impact on Workplace Innovation
Notice bibliographique
Résumé
As technology advances at an unprecedented pace, artificial intelligence tools like ChatGPT and Deep Seek are reshaping workplaces, sparking widespread fears of job displacement among employees. This phenomenon, termed Technological Job Insecurity (TJI), goes beyond concerns of machines replacing human roles—it encompasses anxieties about being outperformed by colleagues better equipped to navigate the digital age. While innovation remains critical in such challenging times, the psychological toll of TJI often dampens employees’ ability to think creatively and contribute new ideas. Drawing on Conservation of Resources (COR) Theory, this study examines how TJI erodes innovation performance by draining employees’ psychological resilience and resources. We identify Self-care Self-Efficacy (SCSE)—the ability to manage the impact of digital stress—as a vital mechanism that mitigates this negative effect, offering pathways for resource recovery and renewed focus. Additionally, we explore how Workplace Literacy Facilitation (WLF)—organizational strategies like proactive training and robust technical support—buffers the impact of TJI, creating environments where employees can thrive despite technological uncertainties. Findings from diverse industries provide insights into the interplay between fear, resilience, and innovation, urging organizations to prioritize both psychological well-being and collective support in the age of automation.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».