مقاله انگلیسی با ترجمه چگونه پذیرش هوش مصنوعی در رویه های مدیریت منابع انسانی می تواند تعهد سازمانی کارکنان گردشگری را افزایش دهد

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی خرید ترجمه مقالات مرتبط سفارش پروپوزال

عنوان فارسی:

چگونه پذیرش هوش مصنوعی در رویه های مدیریت منابع انسانی می تواند تعهد سازمانی کارکنان گردشگری را افزایش دهد (نقش شایستگی ،خونگرمی و رهبری خدمتگزار)

عنوان انگلیسی:

How AI adoption in human resource management practices can enhance tourism employees’ organizational commitment

کد محصول: M1930

سال نشر: ۲۰۲۵

نام ناشر (پایگاه داده): الزویر

نام مجله: Journal of Hospitality and Tourism Management

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : دارد (جدول ۳)

تعداد صفحه انگلیسی: ۱۴ صفحه PDF

تعداد صفحه ترجمه فارسی:   54 صفحه WORD

قیمت فایل ترجمه شده:  145000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

ظهور فناوری هوش مصنوعی (AI) به عنوان کاتالیزوری برای تغییرات چشمگیر در پویایی کارمندان عمل می‌کند. با این حال، یافته‌های متناقضی در مورد چگونگی و چرایی تاثیر پذیرش هوش مصنوعی در رویه های مدیریت منابع انسانی (HRM) بر تعهد کارکنان به سازمان‌هایشان وجود دارد. این پژوهش با تکیه بر مدل محتوای کلیشه‌ای، درک ما را از اثرات متقابل بین رهبری خدمتگزار و پذیرش هوش مصنوعی در رویه های HRM، که از طریق درک کارکنان از شایستگی و خونگرمی شرکت‌هایشان، تعهد سازمانی آن‌ها را شکل می‌دهد، ارتقا می‌بخشد. مدل پیشنهادی با استفاده از دو مطالعه مستقل آزمایش می‌شود: مطالعه ۱ – یک آزمایش با کارکنان گردشگری ایالات متحده، و مطالعه ۲ – یک بررسی میدانی مقطعی سه مرحله ای (طراحی چند سطحی و چند منبعی) و مطالعه ۳ – یک بررسی میدانی دو مرحله ای با تاخیر زمانی با کارکنان بخش اوقات فراغت و مهمان‌نوازی چینی. نتایج نشان می‌دهد که پذیرش هوش مصنوعی در رویه های HRM، شایستگی درک شده کارکنان از شرکت‌هایشان را افزایش (و خونگرمی درک شده را کاهش) می‌دهد و به ترتیب تعهد سازمانی آن‌ها را تقویت (و تضعیف) می‌کند. در همین حال، رهبری خدمتگزار مسیر شایستگی را تقویت و مسیر خونگرمی را تعدیل می‌کند. این پژوهش پیامدهای نظری برای مدیریت هوش مصنوعی در محیط کار گردشگری و مهمان‌نوازی و پیامدهای عملی برای افزایش تعهد سازمانی کارکنان گردشگری ارائه می‌دهد.

واژه‌های کلیدی: پذیرش هوش مصنوعی، مدیریت منابع انسانی، درک کارکنان از شایستگی و خونگرمی شرکت، تعهد سازمانی، رهبری خدمتگزار

Abstract The advent of artificial intelligence (AI) technology is catalyzing significant transformations in employee work dynamics. However, there tend to be inconsistent findings regarding how and why organizational AI adoption in human resource management (HRM) practices can affect employees’ commitment to their organizations. Drawing on the stereotype content model, this research furthers the comprehension of the interactions between servant leadership and AI adoption in HRM practices, which shape employees’ organizational commitment through competence and warmth perceptions of their companies. The proposed model is tested using two independent studies: Study 1 – an experiment with the US tourism employees, and Study 2 – a cross-lagged threewave field survey (multi-level and multi-source designs) and Study 3 – a time-lagged two-wave field survey with the Chinese leisure and hospitality employees. Results reveal that AI adoption in HRM practices will increase (decrease) employees’ competence (warmth) perceptions of their companies, promoting (inhibiting) their organizational commitment, respectively. Meanwhile, servant leadership strengthens the competence pathway and buffers the warmth pathway. The research provides theoretical implications for AI management in the tourism and hospitality workplace and practical implications for enhancing tourism employees’ organizational commitment.

Keywords: Artificial intelligence adoption, Human resource management, Employee competence and warmth perceptions, Organizational commitment, Servant leadership

۱.مقدمه

تعهد ضعیف به سازمان‌ها و ترک شغل قابل توجه کارکنان، مدت‌هاست که چالش‌های جدی برای صنایع گردشگری و مهمان‌نوازی بوده‌اند (داگرو و همکاران، ۲۰۲۳). به همین منظور، شرکت‌های گردشگری در حال توسعه، به‌طور فعال در حال نوآوری در رویه‌های مدیریت منابع انسانی  هستند و به کارکنان کمک می‌کنند تا هوشمندانه‌تر کار کنند، نتایج بهتری کسب کنند و شایستگی‌های جدیدی را توسعه دهند. هوش مصنوعی (AI) به عنوان نسل جدیدی از فناوری، استدلال خودکار، یادگیری ماشین و قابلیت تصمیم‌گیری مستقل از مداخلات انسانی را در خود جای داده است (اوزدمیر و همکاران، ۲۰۲۳) که اساساً ماهیت، ساختار و شرایط کار را اصلاح می‌کند. از آنجایی که هوش مصنوعی برای رفتار، واکنش، یادگیری و آموزش شبیه به انسان طراحی شده است، انتظار می‌رود که پذیرش هوش مصنوعی در رویه های HRM، جذب، توسعه و بهره‌وری استعدادها را افزایش دهد (چودوری و همکاران، ۲۰۲۳). پذیرش هوش مصنوعی در رویه های HRM شامل کاربرد تکنیک‌های هوش مصنوعی است که “تجربه متخصصان منابع انسانی و فرآیندهای تصمیم‌گیری و حل مسئله منابع انسانی را تقریباً در تمام حوزه‌های فرعی HRM ، از جمله استخدام و گزینش، آموزش و توسعه، مدیریت عملکرد، جابجایی کارکنان، مدیریت پاداش، رضایت کارکنان و مشارکت کارکنان، افزایش می‌دهد” (پریکشات و همکاران، ۲۰۲۳، ص. ۲)…

۱.Introduction Poor commitment to organizations and substantial employee turnover have long been severe challenges for the tourism and hospitality industries (Dogru et al., 2023). To this end, growing tourism companies are dynamically innovating human resource management (HRM) practices, aiding employees to work smarter, achieve better results, and develop new competences. As a new generation of technology—artificial intelligence (AI) incorporates automated reasoning, machine learning, and the capability to make decisions independently of human interventions (Ozdemir et al., 2023), which fundamentally reforms the nature, structure, and conditions of work. Since AI is engineered to behave, react, learn, and train akin to humans, adopting AI into HRM practices is anticipated to enhance talent attraction, development, and productivity (Chowdhury et al., 2023). AI adoption in HRM practices involve the application of AI techniques that “augment HR practitioners” experience and HR decision-making and problem-solving processes in almost all sub-functional HRM domains, including recruitment and selection, training and development, performance management, employee turnover, reward management, employee satisfaction and employee engagement (Prikshat et al., 2023, p. 2)…

 2.1. مدل محتوای کلیشه و پذیرش هوش مصنوعی در شیوه‌های HRM

شواهد فراوانی در ادبیات روان‌شناسی اجتماعی و رفتار سازمانی (مانند: کُنگ و همکاران، ۲۰۲۳) نشان داده‌اند که افراد معمولاً دیگران را بر اساس ویژگی‌های قابل مشاهده‌ای مانند صمیمیت و شایستگی ارزیابی می‌کنند، به‌ویژه در موقعیت‌های نامشخصی که اطلاعات محدود یا نشانه‌های بیرونی پیچیده وجود دارد (آکر و همکاران، ۲۰۱۰). اگرچه تفاسیر متفاوت است، اما خونگرمی شامل ویژگی‌هایی مانند مهربانی، صداقت، صمیمیت، مفید بودن، قابل اعتماد بودن و متفکر بودن است، در حالی که شایستگی با اثربخشی، هوش، توانایی، مهارت و رقابت مشخص می‌شود (فیسک و همکاران، ۲۰۰۷؛ یانگ و شو، ۲۰۲۴). این دو بعد برای ادراکات فردی بسیار مهم هستند و تفسیر اشیاء را از طریق کلیشه‌ها روشن می‌کنند. “کلیشه” یک قضاوت فوری و کلی با عناصر ارزیابی‌کننده است. در روانشناسی مدیریت، SCM  برای ساخت سیستم ارزیابی افراد (به عنوان مثال، کارمندان و مصرف‌کنندگان) برای شرکت‌ها (به عنوان مثال، آکر و همکاران، ۲۰۱۰) بکار گرفته می شود (برای اطلاعات بیشتر در مورد منطق استفاده از SCM برای شرکت‌ها و مدل تحقیق ما، به پیوست C مراجعه کنید)…

۲.۱. Stereotype content model and AI adoption in HRM practices A plethora of evidence in social psychology and organizational behavior literature (e.g., Kong et al., 2023) has shown that individuals assess others based on their observable warmth and competence, particularly in uncertain situations characterized by limited information or complex external clues (Aaker et al., 2010). Although interpretations vary, warmth involves qualities such as kindness, honesty, sincerity, helpfulness, trustworthiness, and thoughtfulness, while competence is characterized by effectiveness, intelligence, capability, skillfulness, and competitiveness (Fiske et al., 2007; Yang & Xu, 2024). These two dimensions are crucial to individual perceptions and elucidate the interpretation of objects through stereotypes. A “stereotype” is an instantaneous, general judgment with evaluative elements. In management psychology, the SCM was applied to construct the individuals’ (e. g., employees’ and consumers’) evaluation system for companies (e.g., Aaker et al., 2010) (see Appendix C for more information on the rationale for employing the SCM to companies and to our research model)….

۳.طراحی پژوهش

مطالعه ۱ از روش آزمایش مبتنی بر سناریو با طرح فاکتوریل بین آزمودنی ۲ (پذیرش بالا در مقابل پایین هوش مصنوعی در شیوه‌های HRM) در ۲ (رهبری خدمتگزار بالا در مقابل پایین) برای آزمایش نحوه اثرات متقابل آن‌ها بر تعهد به سازمان از طریق ادراک شایستگی و خونگرمی استفاده کرد. بر اساس مطالعات پودساکوف و همکاران (۲۰۱۲)، استفاده از داده‌های چند منبعی و چند زمانی می‌تواند تهدیدهای خودسنجی و سوگیری‌های روش مشترک را به حداقل برساند (به عنوان مثال، مو و همکاران، ۲۰۲۲). علاوه بر منابع نمونه موجود (یعنی نمونه بزرگسالان شاغل آمریکایی برگرفته از پلتفرم Prolific در مطالعه ۱)، ما از مطالعه ۲ – یک بررسی میدانی متقاطع با منابع متعدد (جفت های کارمند-سرپرست چینی در صنایع گردشگری و مهمان‌نوازی) – برای ارزیابی تأثیر متقابل پذیرش هوش مصنوعی در شیوه‌های HRM و رهبری خدمتگزار بر تعهد سازمانی کارکنان استفاده کردیم. علاوه بر این، ما از مطالعه ۳ نیز برای تکمیل مطالعه ۲ از نظر روش‌شناختی و نظری استفاده کردیم. به طور خاص، از نظر روش‌شناختی، مطالعه ۳ از یک طرح زمان‌بندی‌شده دیگر با یک “طرح نیمه‌طولی” دو موجی استفاده کرد که به طور گسترده در تحقیقات مدیریت گردشگری مورد استفاده قرار می گیرد (به عنوان مثال، یین و همکاران، ۲۰۲۴) تا استحکام مدل تحقیق خود را افزایش دهیم…

۳. Research design Study 1 employed the vignette experiment method by a 2 (high vs. low AI adoption in HRM practices) × ۲ (high vs. low servant leadership) between-subject factorial design to test how they interact on the commitment to the organization through competence and warmth perceptions. According to Podsakoff et al. (2012), the use of multi-source and multi-timed data can minimize the threats of self-report and common method biases (e.g., Mo et al., 2022). In addition to the extant sample sources (i.e., American working adult sample from Prolific in Study 1), we employed Study 2 – a cross-lagged field survey with multiple sources (Chinese employee–supervisor dyads in tourism and hospitality industries) to assess the interactive impact of AI adoptions in HRM practices and servant leadership on employees’ organizational commitment. In addition, we also employed Study 3 to complement Study 2 methodologically and theoretically. Specifically, methodologically, Study 3 used another time-lagged design with a two-wave “half-longitudinal design” which has been widely used in tourism management research (e.g., Yin et al., 2024),..

۷.۲. دستاوردهای نظری

این تحقیق در سه سطح به ادبیات مربوطه کمک می‌کند. نخست، مطالعه‌ی ما تأیید می‌کند که هوش مصنوعی می‌تواند تعهد سازمانی را ارتقاء دهد و به این ترتیب، ادبیات مربوط به HRM مبتنی بر هوش مصنوعی را غنی می کند. در شرکت‌های گردشگری و مهمان‌نوازی، کارکنان نگرانی‌هایی درباره کار با هوش مصنوعی ابراز کرده‌اند (ریدزیک و کیسون، ۲۰۲۲)، اما تحقیقات کمی ارتباط میان هوش مصنوعی و رویکردهای HRM در سطح سازمان (مثلاً وو و همکاران، ۲۰۲۳) یا چگونگی و چرایی تاثیر بکارگیری هوش مصنوعی در این حوزه بر تعهد سازمانی کارکنان را بررسی کرده‌اند (مثلاً کنگ و همکاران، ۲۰۲۱). این تحقیق به فراخوان کنگ و همکاران (۲۰۲۱) درباره بکارگیری هوش مصنوعی در شرکت‌های مهمان‌نوازی پاسخ داده و دیدگاه‌های نوینی درباره مکانیزم‌های تأثیر دوگانه (خونگرمی و شایستگی) بکارگیری هوش مصنوعی در رویکردهای HRM و اثر آن بر تعهد سازمانی ارائه می‌دهد…

۷.۲.Theoretical contributions This research contributes to the relevant literature in three respects. First, our study confirmed that AI can promote organizational commitment, adding to AI-augmented HRM literature. In tourism and hospitality organizations, employees have expressed concerns about working with AI (Rydzik & Kissoon, 2022), but little research linked AI with HRM practices at the organizational level (i.e., Wu et al., 2023) or examined how and why AI adoption in HRM practices could affect employee organizational commitment (i.e., Kong et al., 2021). This research addressed Kong et al.’s (2021) call regarding AI adoption in hospitality companies, and sheds new insights into the dual impact mechanisms (warmth and competence) of AI adoption in HRM practices on organizational commitment….

۷.۴. محدودیت‌ها و چشم‌اندازهای آینده

اگر چه این مطالعه به هر دو حوزه نظری و عملی کمک کرده است، اما با چند محدودیت مواجه است. نخست، این پژوهش از چند روش مختلف بهره برده که شامل آزمایش مبتنی بر سناریو و بررسی میدانی بوده است، تا داده‌ها را از مجموعه وسیعی از بزرگسالان شاغل در آمریکا و چین جمع‌آوری کند. همچنین از ابزارهای تحلیلی مختلف مانند روش مونت کارلو، مدل ساختاری معادلات چندسطحی (MSEM) و روش بوت‌استرپ برای کاهش محدودیت‌های هر روش استفاده شده است. این طرح تحقیق می‌تواند با افزودن آزمایش‌های میدانی در مسیر تقویت منطقی و استحکام یافته‌ها، بهتر شود. دوم، در تحقیقات آینده باید نمونه‌های متنوع‌تری از فرهنگ‌های ملی مورد آزمایش قرار گیرند. با این کار، تحقیقات آینده می‌توانند ادراکات کارمندان را به عنوان واکنشی به پذیرش هوش مصنوعی در رویه‌های مدیریت منابع انسانی با قابلیت تعمیم بیشتر به سایر کشورها، تأیید کنند….

۷.۴. Limitations and future prospects While this study contributes to both theory and practice, it encounters several limitations. First, this research employed multiple methodological designs, including a vignette-based experiment and a field survey, to collect data from a wide range of working adults in the United States and China. It also implemented a variety of analytical tools, such as the Monte Carlo method, MSEM, and bootstrapping to counteract the potential shortcomings of each other. The research design can be improved by incorporating experiments in the field study to uphold the logic consistency and robustness of the findings. Second, testing subjects from diverse national cultures may be taken into account in future studies. By doing so, future research can further corroborate employees’ perceptions as a response to AI adoption in HRM practices with stronger generalizability across other nations..

فرضیه‌ها:

    فرضیه ۱. پذیرش هوش مصنوعی در رویه های HRM با درک کارکنان از شایستگی شرکت رابطه مثبت دارد.
    فرضیه ۲. درک شایستگی شرکت، رابطه بین پذیرش هوش مصنوعی در رویه های HRM و تعهد سازمانی کارکنان را میانجی‌گری می‌کند.
    فرضیه ۳. پذیرش هوش مصنوعی در رویه های HRM با درک کارکنان از خونگرمی شرکت رابطه منفی دارد.
    فرضیه ۴. درک خونگرمی شرکت، رابطه بین پذیرش هوش مصنوعی در رویه های HRM و تعهد سازمانی کارکنان را میانجی‌گری می‌کند.
    فرضیه ۵. رهبری خدمتگزار نقش تعدیل‌کننده‌ای در رابطه بین پذیرش هوش مصنوعی در رویه های HRM و درک شایستگی شرکت ایفا می‌کند. به طور خاص، زمانی که سطح رهبری خدمتگزار بالا (در مقابل پایین) باشد، پذیرش هوش مصنوعی در رویه های HRM ارتباط بیشتری با درک شایستگی شرکت خواهد داشت.
    فرضیه ۶. رهبری خدمتگزار نقش تعدیل‌کننده‌ای در رابطه بین پذیرش هوش مصنوعی در رویه های HRM و درک شرکت از خونگرمی ایفا می‌کند. به طور خاص، زمانی که سطح رهبری خدمتگزار بالا (در مقابل پایین) باشد، پذیرش هوش مصنوعی در رویه های HRM ارتباط کمتری با درک شرکت از خونگرمی خواهد داشت.
    فرضیه ۷. رهبری خدمتگزار رابطه غیرمستقیم بین پذیرش هوش مصنوعی در رویه های HRM و تعهد سازمانی کارکنان را از طریق درک شایستگی شرکت تعدیل می‌کند. به طور خاص، این اثر زمانی بیشتر مشهود است که سطح رهبری خدمتگزار بالا (در مقابل پایین) باشد.
    فرضیه ۸. رهبری خدمتگزار رابطه غیرمستقیم بین پذیرش هوش مصنوعی در شیوه‌های HRM و تعهد سازمانی کارکنان را از طریق درک شرکت از خونگرمی تعدیل می‌کند. به طور خاص، این اثر زمانی کمتر مشهود است که سطح رهبری خدمتگزار بالا (در مقابل پایین) باشد.

Hypothesis 1. AI adoption in HRM practices is positively associated with employees’ perceptions of the firm’s competence.
Hypothesis 2. Perceptions of the firm’s competence mediate the relationship between AI adoption in HRM practices and employees’ organizational commitment.
Hypothesis 3. AI adoption in HRM practices is negatively associated with employees’ perceptions of the firm’s warmth.
Hypothesis 4. Perceptions of the firm’s warmth mediate the relationship between AI adoption in HRM practices and employees’ organizational commitment.
Hypothesis 5. Servant leadership plays a moderating role in the relationship between AI adoption in HRM practices and perceptions of the firm’s competence. Specifically, when servant leadership is higher rather than lower, adopting AI in HRM practices will have a greater association with perceptions of the firm’s competence.
Hypothesis 6. Servant leadership plays a moderating role in the relationship between AI adoption in HRM practices and perceptions of the firm’s warmth. Specifically, when servant leadership is higher rather than lower, AI adoption in HRM practices will be less negatively related to perceptions of the firm’s warmth.
Hypothesis 7. Servant leadership moderates the indirect relationship between AI adoption in HRM practices and employees’ organizational commitment via perceptions of the firm’s competence. Specifically, the effect is more pronounced when servant leadership is higher than the lower.
Hypothesis 8. Servant leadership moderates the indirect relationship between AI adoption in HRM practices and employees’ organizational commitment via perceptions of the firm’s warmth. Specifically, the effect is less pronounced when servant leadership is higher than the lower.