Tongyao Liu

As AI tools permeate scientific research, a critical question emerges: does better AI actually make researchers happier? Grounded in the Job Demands-Resources (JD-R) model, this study proposes and tests a dual-path moderated mediation framework in which perceived AI service quality influences researcher work well-being through two parallel psychological routes. The motivational gain pathway posits that higher quality is positively related to research self-efficacy, while the loss-alleviation pathway posits that higher quality is negatively related to cognitive verification load. AI trust is introduced as a moderator of both first-stage paths. Using data from 439 researchers and PROCESS macro models 4 and 7, we found that AI service quality did not directly affect well-being ( β = 0.07, p = 0.260), but exerted a fully mediated total effect. The loss pathway via cognitive verification load reduction was the sole significant mediating mechanism (indirect effect = 0.08, 95% CI [0.028, 0.135]). AI trust significantly moderated only the loss pathway ( β = −0.21, p < 0.001): the cognitive-relief effect became significant only at medium and high trust levels, remaining inoperative for low-trust researchers. These findings reframe the value of AI quality in research settings as cognitive offloading rather than competence enhancement, and position trust as a threshold condition rather than a continuous amplifier of AI benefits.

با نفوذ ابزارهای هوش مصنوعی در پژوهش علمی، این پرسش اساسی مطرح می‌شود که آیا هوش مصنوعی بهتر واقعاً پژوهشگران را خوشحال‌تر می‌کند؟ این مطالعه با تکیه بر مدل منابع-تقاضاهای شغلی (JD-R)، چارچوبی از میانجی‌گری دو‌مسیره با تعدیل‌کننده را پیشنهاد و آزمون می‌کند که در آن کیفیت ادراک‌شده خدمات هوش مصنوعی از طریق دو مسیر روان‌شناختی موازی بر بهزیستی شغلی پژوهشگران تأثیر می‌گذارد. مسیر انگیزشی بر این فرض استوار است که کیفیت بالاتر با خودکارآمدی پژوهشی رابطه مثبت دارد، در حالی که مسیر کاهش زیان بر این فرض استوار است که کیفیت بالاتر با بار شناختی تأیید رابطه منفی دارد. اعتماد به هوش مصنوعی به عنوان تعدیل‌کننده هر دو مسیر مرحله اول وارد مدل شده است. با استفاده از داده‌های ۴۳۹ پژوهشگر و مدل‌های ۴ و ۷ ماکروی PROCESS، یافته‌ها نشان داد که کیفیت خدمات هوش مصنوعی به طور مستقیم بر بهزیستی تأثیر نداشت (β = 0.07, p = 0.260)، اما اثر کلی کاملاً به واسطه متغیرهای میانجی منتقل شد. مسیر کاهش زیان از طریق کاهش بار شناختی تأیید تنها سازوکار میانجی‌گری معنادار بود (اثر غیرمستقیم = 0.08, 95% CI [0.028, 0.135]). اعتماد به هوش مصنوعی فقط مسیر کاهش زیان را به طور معنادار تعدیل کرد (β = −0.21, p < 0.001): اثر تسکین شناختی فقط در سطوح متوسط و بالا از اعتماد معنادار شد و برای پژوهشگران با اعتماد پایین فعال نبود. این یافته‌ها ارزش کیفیت هوش مصنوعی را در محیط‌های پژوهشی به عنوان کاهش بار شناختی و نه ارتقای شایستگی بازتعریف می‌کند و اعتماد را به عنوان یک شرط آستانه‌ای و نه تقویت‌کننده پیوسته منافع هوش مصنوعی معرفی می‌نماید.