夜雨聆风
类别：数智治理
🧭
（文献来源：Jiang, Z., Wang, X., Xie, Y., Zhu, J., & Gu, D. (2026). Substitution or augmentation? How organisational AI adoption approaches influence the willingness to stay of caregivers. Computers in Human Behavior. 174: 1-21. (DOI:
https://doi.org/10.1016/j.chb.2025.108801）.
📚
🧩
以往关于组织AI采纳对员工影响的研究结论并不一致。一方面，一些研究表明，AI能够降低工作负荷和焦虑感，同时提升工作自主性与工作绩效（Malik et al.，2021；Tortorella et al.，2024）。在人力资源管理中恰当地应用AI，也可以提高员工留任率（Pereira et al.，2023）。另一方面，也有研究指出，AI采纳可能降低员工的工作投入，同时增加工作倦怠和离职意愿（Braganza et al.，2021；Kong et al.，2021；Koo et al.，2021；Li et al.，2019）。尤其是当AI被不恰当地采纳时，它可能削弱员工的工作意义感，并产生负面影响（Bankins & Formosa，2023）。因此，将AI引入工作场所既具有优势，也存在一定弊端。
AI已经成为推动现代社会发展的重要因素。在工作场所中，AI的应用可以分为两种核心形式：AI增强是指通过帮助员工提升能力来实现人机协作；AI替代则是指通过部分或完全替代员工的任务来实现流程自动化（Raisch & Krakowski，2021）。这两种AI采纳方式可能会对员工产生不同影响。当AI采纳方式不恰当时，AI可能在无意中对员工造成心理伤害，并产生负面影响（Bankins & Formosa，2023）。因此，在AI逐步应用于照护行业的过程中，研究不同组织AI采纳方式的影响尤为重要。
综上，本文提出如下假设：
H1： AI增强对留任意愿的正向影响显著大于AI替代，并且两种组织AI采纳方式对留任意愿的影响均显著高于不采纳AI的情形。
H2a：AI学习焦虑负向调节AI替代与留任意愿之间的关系。也就是说，与不采纳AI相比，AI学习焦虑越强，AI替代与留任意愿之间的正向关系越弱。
H2b：AI学习焦虑负向调节AI增强与留任意愿之间的关系。也就是说，与不采纳AI相比，AI学习焦虑越强，AI增强与留任意愿之间的正向关系越弱。
H3a：岗位替代焦虑负向调节AI替代与留任意愿之间的关系。也就是说，与不采纳AI相比，岗位替代焦虑越强，AI替代与留任意愿之间的正向关系越弱。
H3b：岗位替代焦虑负向调节AI增强与留任意愿之间的关系。也就是说，与不采纳AI相比，岗位替代焦虑越强，AI增强与留任意愿之间的正向关系越弱。
H4a：自我效能感和工作满意度在AI增强与留任意愿之间发挥链式中介作用。具体而言，增强型组织AI的采纳会提升员工的自我效能感，进而提高工作满意度，并最终促进留任意愿。
H4b：自我效能感和工作满意度在AI替代与留任意愿之间发挥链式中介作用。具体而言，替代型组织AI的采纳会提升员工的自我效能感，进而提高工作满意度，并最终促进留任意愿。
H5a：身份威胁和情绪耗竭在AI增强与留任意愿之间发挥链式中介作用。具体而言，AI增强会通过增强员工的身份威胁感来提高其情绪耗竭水平，并最终降低其留任意愿。
H5b：身份威胁和情绪耗竭在AI替代与留任意愿之间发挥链式中介作用。具体而言，AI替代会通过增强员工的身份威胁感来提高其情绪耗竭水平，并最终降低其留任意愿。
完整的研究框架见图1。
图1 研究框架架
📖
本文开展了两项实验，以检验本研究提出的研究框架和研究假设。具体内容见表2。在研究1中，本文将专业护理服务中的康复训练任务设计为实验情境，目的在于考察组织中不同AI采纳方式对养老照护人员留任意愿的影响，并探讨AI焦虑在组织AI采纳与留任意愿之间的调节作用。在研究2中，本文将日常照护服务中的陪同散步任务设计为实验情境，分别探讨AI增强和AI替代影响留任意愿的中介机制。
表2 研究概览
项目 | 研究1 | 研究2 |
目标 | H1、H2a、H2b、H3a、H3b | H4a、H4b、H5a、H5b |
设计 | 单因素组间实验设计 | 单因素组间实验设计 |
情境 | 康复照护 | 陪同散步 |
操纵 | 组织AI采纳：不采纳AI vs. AI替代 vs. AI增强 | 组织AI采纳：不采纳AI vs. AI替代 vs. AI增强 |
测量 | 组织AI采纳；采纳方式；留任意愿；AI学习焦虑；岗位替代焦虑 | 组织AI采纳；采纳方式；留任意愿；自我效能感；工作满意度；身份威胁；情绪耗竭 |
🏛
研究设计与程序
研究采用单因素组间实验设计，实验条件为组织AI采纳：不采纳AI、AI替代、AI增强。研究目的在于考察组织AI采纳方式对员工留任意愿的影响，并探讨AI焦虑的调节作用。
研究以中国安徽省某大型护理机构的一线照护人员为研究对象，并通过非概率便利抽样收集数据。在获得该护理机构负责人同意后，研究者在机构管理人员协助下，向该机构所有照护人员发放包含访问链接的问卷。该链接通过Credamo平台生成。Credamo平台内置的完全随机分配功能，确保参与者以相同概率被分配至三个实验情境之一。
具体实验程序包括三个步骤。实验开始前，所有参与者均被告知研究目的、研究程序和研究意义，并获得其知情同意。研究者还承诺遵守伦理规范，确保数据仅用于研究目的，并严格保密。实验开始后，参与者被随机分配至三个小组之一。本实验以预先设计的康复训练任务作为情境，通过设置任务执行者来操纵组织AI采纳方式。各组之间的差异在于任务执行者不同，每组参与者都会阅读相应的任务执行过程描述。实验背景信息如下：
“请想象你是一名养老照护人员，负责照护多位老年人。今天，你照护的李爷爷需要进行下肢康复训练。下面是你将经历的过程。”
随后，参与者会看到包含任务执行细节的材料。对于涉及AI的情境，材料中会同时展示机器人图片。参与者被要求认真阅读任务描述，并想象自己处于相应的照护情境中。
在不采纳AI组中，照护人员需要独立完成李爷爷的下肢康复训练任务，包括评估身体状况、指导训练动作和记录训练数据。在AI替代组中，研究者引入名为“照护助手小智”的康复训练机器人，该机器人能够自主执行与不采纳AI组相同的康复训练过程，无需照护人员协助。在AI增强组中，照护人员与“照护助手小智”共同完成任务。训练前，小智协助照护人员即时评估身体状况并生成初步方案；训练过程中，照护人员主导执行训练动作，小智提供实时生理数据监测和动作建议；训练结束后，双方共同完成记录和调整过程。三个情境在呈现格式上保持一致，例如字体、字号、颜色和行距，并包含可比较的信息要素。
最后，参与者填写问卷，内容包括人口统计信息、研究变量量表题项以及一道注意力检测题。整个实验持续5至10分钟。
正式实验于2024年12月至2025年1月开展，共从该护理机构招募237名参与者。本研究收集的数据不存在缺失值，但有25名参与者因未通过注意力检测而被直接剔除。最终保留212份有效问卷，有效回收率为89.5%。在参与者中，73.6%为女性，35.4%的参与者年龄在36至45岁之间，35.4%的参与者具有大专学历，36.3%的参与者工作年限为1年及以下，50.0%的参与者月收入为4501至6000元。详细人口统计信息见表3。
表3 研究1和研究2的人口统计信息
变量 | 类别 | 研究1（N = 212）人数 | 研究1占比 | 研究2（N = 239）人数 | 研究2占比 |
性别 | 女性 | 156 | 73.6% | 156 | 65.3% |
男性 | 56 | 26.4% | 83 | 34.7% | |
年龄 | 25岁及以下 | 28 | 13.2% | 48 | 20.1% |
26—35岁 | 65 | 30.7% | 63 | 26.4% | |
36—45岁 | 75 | 35.4% | 89 | 37.2% | |
46—55岁 | 34 | 16.0% | 29 | 12.1% | |
56岁及以上 | 10 | 4.7% | 10 | 4.2% | |
受教育水平 | 高中及以下 | 67 | 31.6% | 37 | 15.5% |
大专 | 75 | 35.4% | 78 | 32.6% | |
本科 | 54 | 25.5% | 112 | 46.9% | |
研究生 | 16 | 7.5% | 12 | 5.0% | |
工作年限 | 1年及以下 | 77 | 36.3% | 67 | 28.0% |
1—3年 | 72 | 34.0% | 73 | 30.5% | |
4—6年 | 37 | 17.5% | 54 | 22.6% | |
6年及以上 | 26 | 12.3% | 45 | 18.8% | |
月收入 | 3000元及以下 | 14 | 6.6% | 22 | 9.2% |
3001—4500元 | 29 | 13.7% | 30 | 12.6% | |
4501—6000元 | 106 | 50.0% | 89 | 37.2% | |
6001—7500元 | 28 | 13.2% | 56 | 23.4% | |
7501元及以上 | 35 | 16.5% | 42 | 17.6% |
这张表主要说明两项研究样本的基本结构：研究1样本女性占比更高，学历以高中及以下和大专为主；研究2样本中本科比例更高，且通过线上平台招募，因此样本整体呈现出更年轻、学历更高的特征。
结果
操纵检验与构念效度
首先，本文使用SPSS 26.0软件进行方差分析，以检验组织AI采纳的操纵是否成功。方差分析结果显示，三组之间的得分差异具有统计显著性，F(2, 209) = 15.424，P < 0.001。根据Bonferroni事后检验结果，当组织AI采纳方式为AI增强时，N = 71，M_AI增强 = 3.639，SD_AI增强 = 0.683；当组织AI采纳方式为AI替代时，N = 71，M_AI替代 = 3.817，SD_AI替代 = 0.664；员工感知到的组织AI采纳程度均高于组织不采纳AI的情形，N = 70，M_不采纳AI = 3.176，SD_不采纳AI = 0.769，P < 0.001。这一结果表明，本文对组织AI采纳的操纵是成功的。
其次，本文采用卡方检验来验证组织AI采纳方式操纵的成功性。结果显示，当组织AI采纳方式为AI替代时，69.0%的被试认为该组织AI采纳方式属于替代型AI；当组织AI采纳方式为AI增强时，74.6%的被试认为该组织AI采纳方式属于增强型AI；当组织不采纳AI时，50.0%的被试认为该组织没有采纳AI，χ²(4) = 111.776，P < 0.001。这一结果说明，组织AI采纳方式的操纵是成功的。
最后，本文进行了信度分析和探索性因子分析。信度分析结果显示，组织AI采纳的Cronbach’s α为0.788，留任意愿的Cronbach’s α为0.857，AI学习焦虑的Cronbach’s α为0.927，岗位替代焦虑的Cronbach’s α为0.880。探索性因子分析结果表明，各题项主要与其所属因子相关，而与其他因子的关联较弱。因此，本文认为各构念的效度达到可接受水平。
主效应分析
为检验组织AI采纳对留任意愿的主效应，即H1，本文采用协方差分析。各组之间满足方差齐性假设，从而支持使用协方差分析。协方差分析结果显示，组织AI采纳具有显著主效应，F(2, 208) = 25.625，P < 0.001，η²p = 0.198。Bonferroni事后检验结果表明，AI增强组的留任意愿显著高于AI替代组，（M_AI增强 = 3.913，SD_AI增强 = 0.471；M_AI替代 = 3.582，SD_AI替代 = 0.605，P < 0.01）。这说明，与AI替代相比，AI增强对留任意愿具有显著更强的正向影响。此外，AI增强组（P < 0.001）以及AI替代组（P < 0.001）的留任意愿均显著高于不采纳AI组（M_不采纳AI = 3.136，SD_不采纳AI = 0.786）。这表明，与不采纳AI相比，两种AI采纳方式均能显著提高留任意愿，见图2。上述结果支持H1。
学习焦虑的调节效应
本文使用SPSS 26.0开展层级回归分析，分别检验AI学习焦虑在AI替代影响留任意愿过程中的调节作用，即H2a，以及AI学习焦虑在AI增强影响留任意愿过程中的调节作用，即H2b。
在进行层级回归之前，本文通过四项诊断检验验证了关键统计假设。首先，采用包含预测值高阶项的Ramsey RESET检验，结果显示不存在非线性关系，P > 0.05。其次，残差直方图和Q-Q图显示，残差近似服从正态分布，没有表现出严重的偏态或峰态。虽然Shapiro–Wilk检验结果显著，P < 0.05，提示可能存在一定偏离，但统计检验在大样本中对轻微偏离较为敏感。根据中心极限定理，研究1较大的样本量，N = 212，能够保证系数的抽样分布近似正态。因此，即便残差可能存在一定偏离，参数估计的统计推断仍然是稳健的（Lumley et al.，2002）。再次，Breusch–Pagan检验结果显示不存在异方差问题，P > 0.05。最后，所有VIF值均低于5，说明不存在多重共线性。总体而言，这些结果表明，本文数据满足层级回归分析的基本统计假设，从而保证了分析结果的可靠性。
层级回归结果显示，完整模型的R²值为0.375，说明整体模型拟合较好。在组织AI采纳对留任意愿的影响方面，与不采纳AI组相比，AI替代组，β = 0.590，P < 0.001，以及AI增强组，β = 0.960，P < 0.001，员工报告的留任意愿均显著更高。在调节效应分析中，加入交互项后，ΔR² = 0.025，F(2, 201) = 4.046，P < 0.05；两个虚拟自变量与调节变量之间的交互效应均显著，说明调节效应显著。因此，H2a和H2b均得到支持。表4呈现了调节效应分析的详细结果。
表4 AI学习焦虑调节效应分析结果
模型变量 | 系数 | 标准误 | t值 | P值 | 95%置信区间下限 | 95%置信区间上限 |
常数项 | -1.512 | 0.340 | -4.449 | <0.001 | -2.183 | -0.842 |
X1（AI替代） | 0.590 | 0.142 | 4.149 | <0.001 | 0.310 | 0.871 |
X2（AI增强） | 0.960 | 0.142 | 6.772 | <0.001 | 0.680 | 1.239 |
AI学习焦虑 | -0.056 | 0.116 | -0.481 | 0.631 | -0.284 | 0.172 |
X1 × AI学习焦虑 | -0.356 | 0.154 | -2.309 | <0.050 | -0.661 | -0.052 |
X2 × AI学习焦虑 | -0.395 | 0.145 | -2.716 | <0.010 | -0.681 | -0.108 |
R² | 0.375 | |||||
ΔR² | 0.025 | |||||
F | 12.070*** |
注：N = 212。*p < 0.05，**p < 0.01，***p < 0.001。
为进一步分析AI学习焦虑的调节效应，本文进行了简单斜率分析。结果显示，当AI学习焦虑水平较低时，与不采纳AI相比，AI替代对员工留任意愿具有显著正向影响，b = 0.947，SE = 0.224，P < 0.001，95% CI = [0.505, 1.388]。然而，在AI学习焦虑水平较高时，不采纳AI与采纳AI替代在员工留任意愿上的影响差异并不显著，b = 0.234，SE = 0.195，P = 0.232，95% CI = [-0.150, 0.618]。
类似地，当AI学习焦虑水平较低时，与不采纳AI相比，AI增强对员工留任意愿具有显著正向影响，b = 1.355，SE = 0.212，P < 0.001，95% CI = [0.936, 1.773]。在AI学习焦虑水平较高时，这一影响关系相对较弱，b = 0.565，SE = 0.193，P < 0.01，95% CI = [0.183, 0.946]。图3呈现了简单斜率分析结果。
岗位替代焦虑的调节效应
为分别检验岗位替代焦虑在AI替代影响留任意愿过程中的调节作用，即H3a，以及岗位替代焦虑在AI增强影响留任意愿过程中的调节作用，即H3b，本文采用了相同的层级回归方法。
结果显示，完整模型的R²值为0.345，说明整体模型拟合良好。此外，与不采纳AI的员工相比，采纳AI替代的员工(β = 0.622，P < 0.001)以及采纳AI增强的员工(β = 0.977，P < 0.001)均表现出更高的留任意愿。在调节效应检验中，加入交互项后，ΔR² = 0.023，F(2, 201) = 3.575，P < 0.05。同时，AI替代这一虚拟自变量与调节变量之间的交互效应显著，P < 0.01，因此H3a得到支持。然而，AI增强这一虚拟自变量与调节变量之间的交互效应不显著，P > 0.05，因此H3b未得到支持。表5呈现了调节效应分析的详细结果。
表5 岗位替代焦虑调节效应分析结果
模型变量 | 系数 | 标准误 | t值 | P值 | 95%置信区间下限 | 95%置信区间上限 |
常数项 | -1.354 | 0.349 | -3.876 | <0.001 | -2.043 | -0.665 |
X1（AI替代） | 0.622 | 0.145 | 4.302 | <0.001 | 0.337 | 0.907 |
X2（AI增强） | 0.977 | 0.146 | 6.701 | <0.001 | 0.690 | 1.265 |
岗位替代焦虑 | -0.087 | 0.107 | -0.813 | 0.417 | -0.297 | 0.123 |
X1 × 岗位替代焦虑 | -0.382 | 0.143 | -2.671 | <0.01 | -0.664 | -0.100 |
X2 × 岗位替代焦虑 | -0.196 | 0.150 | -1.308 | 0.192 | -0.492 | 0.100 |
R² | 0.345 | |||||
ΔR² | 0.023 | |||||
F | 10.578*** |
注：N = 212。*P < 0.05，**P < 0.01，***P < 0.001。
本文进一步对显著的交互项进行了简单斜率分析。结果显示，在岗位替代焦虑水平较低时，与不采纳AI相比，采纳AI替代对留任意愿具有显著正向影响，b = 1.004，SE = 0.217，P < 0.001，95% CI = [0.575, 1.432]。而在岗位替代焦虑水平较高时，不采纳AI与采纳AI替代在留任意愿上的影响差异并不显著，b = 0.240，SE = 0.188，P = 0.204，95% CI = [-0.131, 0.611]。图4呈现了简单斜率分析结果。
图4 岗位替代焦虑的调节效应
📝
本文考察了AI增强和AI替代对员工留任意愿影响的差异及其内在机制。同时，本文还考察了AI学习焦虑和岗位替代焦虑的调节作用。本文通过两项情景实验，研究结果提供了若干重要发现。
第一，与AI替代相比，AI增强能够带来显著更高的员工留任意愿。这两种AI采纳方式之所以产生差异，可能是因为AI增强能够带来资源获得，同时不会引发员工的身份威胁感。身份威胁的本质并不仅仅在于实际任务被替代，而在于核心身份标识受到侵蚀（Mirbabaie et al.，2021）。在护理职业中，智能可穿戴设备、辅助机器人等增强型AI通常能够自然地融入工作流程，承担低价值、高负荷任务（Kato et al.，2022）。这种形式的任务替代一方面带来了资源获得，另一方面又最大限度地减少了对员工职业自主性的侵入。护理人员的核心身份标识，例如人文关怀和临床诊断，并没有受到损害。因此，员工更可能将AI增强视为自身能力的延伸，而不是一种身份威胁。
第二，AI增强对照护人员留任意愿的正向影响与既有研究结论一致（Henkel et al.，2020；Guo et al.，2025）。然而，本文发现AI替代同样能够提高留任意愿，这与以往强调AI替代负面影响的研究不同（Kang et al.，2024；Khaliq et al.，2022）。这种差异可能源于养老照护行业高度依赖情感支持的行业特征（Na et al.，2023）。不同于制造业中的标准化任务，也不同于零售业中的交易导向工作，照护工作的核心价值在于情感照护与专业支持的深度融合。从工作要求—资源理论的视角看，虽然AI替代会带来一定的身份威胁（Khogali & Mekid，2023），但它主要替代的是耗时、高负荷的照护任务。因此，AI替代所带来的资源获得显著超过了工作要求造成的资源消耗，并最终提升了留任意愿（Bakker & Demerouti，2007）。需要注意的是，AI替代的净正向效应可能受到组织情境的调节（Li et al.，2019）。例如，在高信任组织中，管理层对AI替代范围的透明沟通可能会放大资源获得效应。相反，在低信任组织中，如果AI替代范围模糊，则可能加剧身份威胁，从而抵消AI替代的积极影响。
第三，AI学习焦虑显著负向调节AI采纳对留任意愿的正向影响。这一发现支持了焦虑在技术接受中具有重要作用的观点（Chang et al.，2024；Schiavo et al.，2024）。AI部署要求照护人员掌握新的技术操作流程。对于长期专注于直接照护工作的照护人员而言，学习AI技术可能被感知为一种额外且迫切的认知负担和技能挑战（Konuk et al.，2023；Liu et al.，2024），尤其是在时间紧张、压力较大的照护场景中更是如此。与AI技能学习相关的焦虑会消耗员工的时间、精力和心理资源，最终削弱AI原本可能带来的留任意愿提升。
本文还发现，岗位替代焦虑只会负向调节AI替代对留任意愿的影响，而不会负向调节AI增强对留任意愿的影响。这一差异可以从员工对两种AI采纳方式的认知评价来解释。根据情感事件理论，员工首先会进行初级评价，以判断AI采纳是否与其核心目标发生冲突（Weiss & Cropanzano，1996）。在照护情境中，AI增强旨在提升效率并赋能照护人员，与提升照护质量这一核心目标相一致（Khan et al.，2025）。因此，AI增强在初级评价中会被归类为一种促进目标实现的事件。一旦目标一致性得到确认，认知加工通常会停止，从而不会进一步激活关于岗位替代风险的次级评价。由此，岗位替代焦虑便失去了发挥调节作用的认知基础。相反，在AI替代情境下，任务替代会直接引发目标冲突感，促使员工进入次级评价阶段，并由此激发岗位替代焦虑。这一发现强调，在理解员工对AI的反应时，有必要区分不同AI采纳方式。
本研究本文为照护行业部署AI技术提供了有价值的指导。第一，针对当前照护人员短缺问题，本文建议管理者优先引入增强型AI，并通过场景化方式加以实施。在专业照护场景中，管理者可以部署用于辅助诊断和患者监测的AI。
第二，在优先部署增强型AI的同时，管理者也可以针对标准化、重复性任务合理引入替代型AI，因为AI替代所带来的资源获得可能超过工作要求。这里的关键在于，引导员工感知资源获得的价值，并促进人机协作。
但需要特别注意的是，在岗位替代焦虑较高的情境中，AI替代的积极效果会被抵消。因此，照护组织应当采取措施，强化员工对自身不可替代价值的认知。鉴于人文关怀是照护行业的核心能力（Na et al.，2023），也是AI难以准确复制的领域（Sparrow，2015），照护组织可以将情感照护能力作为照护服务的重要评价标准。这一策略有助于照护人员清晰认识到自己在服务交付中的独特作用。同时，政策制定者可以将情感支持能力纳入照护人员职业准入标准，并推动形成行业层面的AI应用规范。
最后，管理者应当关注员工在AI采纳过程中的认知负担，因为较高水平的AI学习焦虑会削弱AI的积极影响。管理者可以提供分阶段、渐进式的AI技能培训：先从AI设备的基础操作开始，再逐步进入情景化演练，例如人机应急协作，随后进一步深化分析和决策能力培训（Kaya et al.，2022；Wang & Wang，2019）。此外，管理者还可以营造支持性的组织氛围，例如组建由技术人员和资深人员构成的支持团队，及时回应员工在操作中的疑问。这些有针对性的措施有助于缓解员工因能力不足感而产生的AI学习焦虑。
🌐
👓 附参考文献
参考文献：
Bankins, S., & Formosa, P. (2023). The ethical implications of artificial intelligence (AI) for meaningful work. Journal of Business Ethics, 185(4), 725–740. https://doi.org/ 10.1007/s10551-023-05339-7 Guo, M., Gu, M., & Huo, B. (2025). The impacts of automation and augmentation AI use on physicians’ performance:an ambidextrous perspective. International Journal of Operations & Production Management, 45(1), 114–151. https://doi.org/10.1108/ IJOPM-06-2023-0509 Konuk, H., Ataman, G., & Kambur, E. (2023). The effect of digitalized workplace on employees’ psychological well-being: Digital Taylorism approach. Technology in Society, 74, Article 102302. https://doi.org/10.1016/j.techsoc.2023.102302Na, E., Jung, Y., & Kim, S. (2023). How do care service managers and workers perceive care robot adoption in elderly care facilities? Technological Forecasting and Social Change, 187, Article 122250. https://doi.org/10.1016/j.techfore.2022.122250Wright, T. A., & Cropanzano, R. (1998). Emotional exhaustion as a predictor of job performance and voluntary turnover. Journal of Applied Psychology, 83(3), 486–493. https://doi.org/10.1037/0021-9010.83.3.486 👓相关文献：(直接点击链接即可进入该页面) 【治理与反思】Cities:从爆火到长红：城市品牌战略对网红城市的影响
【治理与反思】PAR:条件性嵌入：制度激励下的地方政府注意力
【治理与反思】顶刊JPART:战争如何影响公共行政和街头官僚体系：乌克兰俄罗斯占领前线的教师和教育专业人士
【2026 ASPA美国公共行政学会年会专题2】 AI与数字化转型专题：公共管理
【治理与反思】Governance:“是福还是祸？”生成式人工智能、行政负担与街头官僚中的政策疏离
👓原文链接（阅读原文 点击左下角）：
https://www.sciencedirect.com/science/article/pii/S0747563225002481?via%3Dihub 此处也可以下载全文：
https://pdf.sciencedirectassets.com/271802/1-s2.0-S0747563225X00091/1-s2.0-S0747563225002481/main.pdf?凤凰网一点资讯：
https://www.researchgate.net/publication/339954958_Shaping_Identity_Older_Adults'_Perceived_Community_Volunteering_Experiences_in_Shanghai
👤
> 👓 **治理君说：**
欢迎您提出与本文内容、主题或翻译有关的各种问题与建议！
欢迎关注、订阅微信公众号【治理学术】。本公众号是由公共管理与政治学学科的老师和学生志愿者开发的学术和交流平台，重点是治理理论与实践领域的热点问题，我们每日整理、翻译并推荐一篇最新权威英文文献。核心内容分为三大板块：1、治理理论 文献与探索，2、管理实践 治理与反思，3、公共治理 教学与交流。
欢迎推荐或自荐研究成果，来稿请致邮箱：usstgggl@163.com
PS：如何加入微信公众号：
您可以扫描下面的二维码，或者搜索公众号：“治理学术”，或者加原始ID: gh_dd2c06e61722 然后点击加入即可。
PS：如何查看以前推送的精彩文章：
您只要点标题下方的“治理学术”，并选择“查看历史消息”即可，精彩就会尽现。谢谢！
📢“治理学术”栏目启事
本文由 治理学术 出品。我们每周推送一篇精选最新权威英文文献与治理研究。欢迎关注、收藏并推荐给同行朋友。
✔—— 治理君 于学术星空下撷英 | 关注 【治理学术】，与您共探治理之理。