Surfing the Tech Wave: A Mindset Intervention to Boost AI Adoption and Creativity
Notice bibliographique
Résumé
Artificial intelligence and its benefits have taken the world by storm, with a myriad of novel technologies boasting millions of users daily and an outpouring of research illustrating the significant contributions of AI toward organizational processes and outcomes. Despite this enthusiasm, an overwhelming consensus against the usage of AI has developed in tandem, wherein numerous individuals have cautioned the crippling effects of AI on human creativity. Accordingly, to address these competing tensions, we identify threat to human creativity as a novel barrier to AI adoption and demonstrate how a creative growth mindset intervention efficaciously overcomes this hurdle. Through four pre-registered laboratory, lab-in-the-field, and field intervention studies (SN = 1,063), we show that fostering a creative growth mindset increases adoption of AI, both in intention (Studies 1–2) and real behavior (Studies 1 and 3). Furthermore, we find individuals become more creative in problem-solving tasks when they employ AI to a greater extent, indicating that AI adoption serves as the causal mechanism linking creative growth mindset intervention to augmented creative performance (Studies 2–4). In testing that AI threat is inherently about human creativity, we also document the positive impacts engendered by creative growth mindset (Studies 1–3)—more so than growth mindset in other domains—on a wide range of attitudinal (e.g., trust) and behavioral consequences (e.g., donation) toward AI, as well as rule out alternative mechanisms (Study 2). Taken together, our research highlights the power of creative growth mindset intervention in driving AI adoption and the associated performance benefits of incorporating AI technologies in creative work.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».