Traducido del inglés al español - www.onlinedoctranslator.

com

sostenibilidad

Artículo

Explorando la relación entre la gestión abusiva, la

autoeficacia y el desempeño organizacional en el contexto de
la interacción hombre-máquina, la tecnología y la inteligencia
artificial con el efecto de la ergonomía
Shanyu Lin1,* , Esra Sipahi Döngül2, Serdar Vural Uygun3, Mutlu Başaran Öztürk4, Dinh Tran Ngoc Huy5,6
y Pham Van Tuan7

1 Universidad de Estudios y Comercio Internacionales de Fuzhou, Fuzhou 350202, China

----
---
Citación:Lin, S.; Döngül, ES; Uygun,
SV; Öztürk, MB; Huy, DTN; Tuan, PV
Explorando la relación entre la
gestión abusiva, la autoeficacia y el
2 Departamento de Trabajo Social, Facultad de Ciencias de la Salud, Universidad de Aksaray, Aksaray 68000, Turquía;
esrasipahidongul@aksaray.edu.tr
3 Facultad de Ciencias Económicas y Administrativas, Universidad Nevşehir HBV, Nevşehir 50300, Turquía;
serdarvuraluygun@nevsehir.edu.tr
4 Facultad de Ciencias Económicas y Administrativas, Universidad Nigde Ömer Halisdemir, Nigde 51240, Turquía;
mbozturk@ohu.edu.tr
5 MBA, Universidad Bancaria de la ciudad de Ho Chi Minh, Ho Chi Minh 700000, Vietnam; dtnhuy2010@gmail.com
6 Universidad Internacional de Japón, Niigata 949-7277, Japón
7 Facultad de Marketing, Universidad Nacional de Economía (NEU), Hanoi 11616, Vietnam;
phamvantuan@neu.edu.vn
* Correspondencia: linshanyu@fzfu.edu.cn
Abstracto:(1) Antecedentes: Nuestro estudio tiene como objetivo explorar el impacto de la gestión abusiva y la
autoeficacia en el desempeño corporativo en el contexto de la tecnología de interacción hombre-máquina basada en

desempeño organizacional en el
contexto de la tecnología de
interacción hombre-máquina y la
inteligencia artificial con el efecto de
Ergonomía.Sostenibilidad2022,14,
1949. https://doi.org/10.3390/
su14041949
Editores académicos: Anca Draghici y
Nicoleta Luminita Carutasu
Recibido: 23 de octubre de 2021
inteligencia artificial en la evaluación del desempeño empresarial. (2) Métodos: Las encuestas se distribuyeron a 578
participantes en empresas internacionales seleccionadas en Turquía, Taiwán, Japón y China. Para reducir la
incertidumbre y los errores, las encuestas fueron evaluadas rigurosamente y no mostraron una distribución normal, ya
que se determinó que 85 participantes no llenaron conscientemente los cuestionarios y se utilizaron los cuestionarios
de los 493 participantes restantes. Utilizando el modelo de evaluación de la satisfacción de los empleados basado en
una red neuronal de retropropagación (BP), exploramos la manifestación y el impacto de la gestión abusiva y la
autoeficacia. Utilizando las empresas inmobiliarias enumeradas como ejemplo, propusimos un modelo de evaluación de
la satisfacción laboral de los empleados basado en la red neuronal de BP de aprendizaje profundo y un sistema de
evaluación del desempeño de los empleados basado en tecnología humano-máquina bajo percepción situacional, de
acuerdo con los requisitos de diseño de la interacción hombre-máquina. (3) Resultados: Los resultados muestran que la
interfaz hombre-máquina puede iniciar sesión de acuerdo con las instrucciones verbales correctas de los empleados. En

Aceptado: 28 de enero de 2022

términos de variables de edad y nivel educativo, las percepciones de los empleados sobre la gestión abusiva y la

Publicado: 9 de febrero de 2022
Nota del editor:MDPI se mantiene neutral
con respecto a reclamos jurisdiccionales en
autoeficacia de los líderes son significativamente diferentes de su desempeño laboral, respectivamente (pag<0,01). (4)
Conclusiones: la tecnología de interacción hombre-máquina basada en inteligencia artificial (IA), la gestión maliciosa y la
autoeficacia afectan directamente el rendimiento empresarial y la satisfacción de los empleados.

mapas publicados y afiliaciones

institucionales.
Palabras clave:inteligencia artificial; ergonomía; gestión del desarrollo sostenible; tecnología de
interacción hombre-máquina; Red neuronal de BP; gestión abusiva; desempeño empresarial; rendimiento
de la interfaz hombre-máquina
Derechos de autor:© 2022 por los
autores. Licenciatario MDPI, Basilea,
Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los 1. Introducción
términos y condiciones de la licencia
Los estudios de ergonomía tienen como objetivo eliminar los peligros y accidentes que
Creative Commons Attribution (CC BY)
pueden ocurrir en el lugar de trabajo y transformarlo en un ambiente que agrade a las personas y
(https:// creativecommons.org/
las haga felices. Es importante desarrollar un entorno que podamos definir como humano.
licenses/by/4.0/).

Susta incapacidad2022,14, 1949. https://doi.org/10.3390/su14041949 https://www.mdpi.com/journal/sustainability

Sostenibilidad2022,14, 1949 2 de 22

Ambiente de trabajo a través de la ergonomía. Esto incluye trabajar en un ambiente sano y seguro,
diseñar el trabajo de acuerdo con las medidas antropométricas humanas, la fuerza corporal y las
características personales, diseñar herramientas, maquinaria y equipos de acuerdo con las
capacidades humanas, crear un ambiente de trabajo psicosocialmente positivo y Dar importancia a
las personas en la vida laboral. La globalización ha cambiado la definición de los mercados
financieros y la mentalidad de comerciar en estos mercados. El hecho de que las instituciones
financieras estén disponibles en varias regiones del mundo debido a la globalización ha reducido la
posibilidad de monitorear de cerca las operaciones. El rápido crecimiento de los mercados
emergentes ha hecho necesario que las oficinas remotas de las instituciones financieras
proporcionen servicios no estándar a diferentes clientes. Las inversiones transfronterizas han
aumentado y los servicios de compensación, custodia y pago se han centralizado. El desarrollo de
los sistemas de información y la disminución de los costos de comunicación han provocado que las
transacciones financieras se realicen en entornos electrónicos. Los nuevos productos y servicios,
especialmente los derivados, son otro factor que aumenta el riesgo. La evolución de los productos
derivados, que inicialmente se utilizaban para protegerse contra riesgos, ha hecho que el proceso
de gestión de riesgos sea multifacético y complejo, mientras que los servicios y productos más
complejos han aumentado los riesgos operativos. Con los nuevos productos y servicios, la
variabilidad en los volúmenes de transacciones ha aumentado, por lo que comprender la
estructura de los volúmenes de transacciones y su impacto en las actividades de la organización se
ha vuelto indispensable para garantizar una asignación efectiva de recursos contra los riesgos
operativos. En términos de adaptación a las circunstancias cambiantes actuales, la forma más
efectiva de hacer avanzar el proceso de cambio organizacional y avanzar a la siguiente etapa es
crear creatividad.1]. Discutieron la sostenibilidad en el contexto de los factores humanos y la
ergonomía [2] y aplicó el modelo padre-hermano-hijo para comprender “qué sistema debe
mantenerse y durante cuánto tiempo” [3]. Hasta ahora, la ergonomía sólo era utilizada por las
personas en distintos períodos de su vida, en herramientas y equipos y en el diseño del entorno, y
se tenía en cuenta en el marco de la idoneidad de las capacidades humanas [4]. Sin embargo, hoy
en día, cuando se examinan conjuntamente las relaciones hombre-máquina-entorno, las personas
en el entorno laboral son sanas y productivas. Han llegado los arreglos necesarios para que el
trabajo tenga sentido. Así, en el último medio siglo, los avances en el campo de la ciencia
ergonómica parecen contribuir a un lugar de trabajo más feliz. El objetivo principal de cualquier
sistema hombre-máquina es más producción o la misma producción con las mismas entradas. Esto
se define como eficiencia. Dado que la persona que trabaja en este sistema es sólo un ser humano,
tiene derecho a trabajar en condiciones humanas. Con la globalización, los rápidos cambios y
avances tecnológicos y el aumento de la producción intensiva en tecnología, es uno de los
elementos de producción más importantes en la vida empresarial. Las relaciones entre humanos y
máquinas se han vuelto importantes, y su rápido desarrollo y cambios han revelado la necesidad
de regular sus relaciones con el medio ambiente. Fruto de estos estudios nació la ergonomía. En
los últimos años, el uso de la mecanización y la robótica ha aumentado en intensidad,
especialmente en la transición a la Industria 4.0, y se ha vuelto más necesaria una relación
hombre-máquina entre el entorno de trabajo y la coordinación de la ergonomía.5]. Aunque la
ergonomía es un campo multidisciplinario, existen áreas de las ciencias de la salud (como la
anatomía y la fisiología), las ciencias de la ingeniería o las ciencias sociales (como la psicología, la
sociología y la economía) dentro de este campo.6]. Sin embargo, al igual que otras disciplinas, la
ciencia de la ergonomía ha experimentado algunos avances, cambios y renovaciones relacionados
con las innovaciones y necesidades que trae esta era y la tecnología.
Cuando se examinan los estudios recientes en el campo de la ergonomía, las contribuciones más
importantes dentro del ámbito de las interacciones hombre-máquina provienen de estudios con técnicas de
imágenes cerebrales, especialmente aquellas que utilizan herramientas de neurociencia.7]. La razón principal
de esto es que hoy en día se están produciendo nuevos avances en la Industria 4.0: el trabajo intensivo en
mano de obra está disminuyendo con el tiempo a la luz de estos desarrollos, y los trabajos intensivos en
tecnología que requieren una mayor carga de trabajo mental están aumentando.
Como ejemplo de estos estudios, Roketsan estableció la infraestructura del laboratorio de
neuroergonomía con sus propios recursos a principios de 2017 en Turquía. Como resultado de la
Sostenibilidad2022,14, 1949 3 de 22

estudios planificados, se planea permitir el desarrollo de interfaces orientadas al usuario de próxima

generación sobre la base de la neuroergonomía en los sistemas de armas producidos por Roketsan, y
hacer contribuciones significativas al objetivo de Roketsan de desarrollar productos originales y
tecnologías avanzadas [8].
Entre las razones que hacen necesario este estudio está que, en primer lugar, existen muchas gestiones
abusivas operando en empresas y organizaciones, y necesitamos evaluar su efectividad en la productividad y el
desempeño. La segunda razón es que, desde la perspectiva humana, necesitamos estudiar los factores que
afectan la innovación y el desempeño de los empleados, la satisfacción y las emociones de los empleados, el
intercambio de conocimientos de los empleados, la desviación o el comportamiento antiproductivo de los
empleados y las intenciones de rotación de los empleados.
Cuando la evaluación integral del desempeño empresarial en el contexto de los mercados de
capitales se examina desde diferentes perspectivas, un sistema de evaluación científico y eficaz debería
garantizar que los empleados cumplan conscientemente con la disciplina de la empresa. Las necesidades
de desarrollo empresarial no pueden satisfacerse si las empresas se centran únicamente en los objetivos
y el desempeño financieros. Por tanto, el sistema de evaluación integral debe constar de tres partes:
objetivos financieros, resultados financieros y disciplina empresarial [9]. La gestión del desempeño
basada en datos ayuda a la empresa y a los líderes de equipo a concentrarse en datos objetivos y realizar
evaluaciones del desempeño de los empleados. Los empleados deben poder cooperar y tomar
decisiones. De acuerdo a [10], la IA es ahora una excelente manera para que las empresas calculen los
resultados de dichas asociaciones. Permite que el procesamiento de datos se realice en tiempo real. De
lo contrario, los empleados tendrán que recorrer varios pisos de la oficina en busca de los detalles que
necesitan. Está bien si los gerentes tienen suficiente tiempo para tomar estas decisiones. Como
resultado, la IA garantiza que toda la información se procese en una única ubicación. Estos datos, o
conocimiento de los empleados, ayudan a los líderes y partes interesadas a evaluar el desempeño de los
empleados y compartir los resultados con otros miembros del equipo. Además, el análisis en tiempo real
permite al administrador extraer información rápidamente. Esto se debe a que el monitoreo continuo del
desempeño requiere un análisis en tiempo real. Se descubrió que nadie quiere datos o conocimientos
que ya no estén actualizados [11]. Por lo tanto, los datos precisos se complementan con análisis en
tiempo real, lo que ayuda a mejorar el desempeño general de los empleados. Además, elimina cualquier
prejuicio psicológico. De hecho, es una de las razones más fundamentales por las que la inteligencia
artificial domina la gestión, medición y evaluación del desempeño. También existe la posibilidad de que
surjan prejuicios cuando un solo gerente está a cargo de las evaluaciones de desempeño de su equipo y
puede mostrar favoritismo hacia un empleado en particular.12]. Por eso es crucial desarrollar una cultura
basada en datos, en la que tecnologías como la inteligencia artificial (IA) complementen la opinión
humana al recibir comentarios sobre el desempeño.
Referencia [13] describe cómo la inteligencia artificial y el aprendizaje automático ayudan a capacitar a las
generaciones más jóvenes que ingresan a la fuerza laboral de maneras novedosas, ahorrando tiempo y dinero.
Después de cada sesión de coaching, las herramientas de coaching de IA brindan retroalimentación inmediata.
También ayudan en la identificación de necesidades de coaching, patrones lingüísticos y modelos de
planificación estratégica. La investigación sobre inteligencia artificial (IA) ha logrado avances considerables para
resolver el clásico problema de la transición del entrenamiento al ayudar a los alumnos en el intervalo entre
sesiones con un entrenador con inteligencia artificial. La IA ha ofrecido un entorno seguro para aprender
habilidades desafiantes, arriesgadas o humillantes [14]. Tradicionalmente, los entrenadores eran contratados
desde fuera para formarse dentro de una organización o empleados por el propio departamento de recursos
humanos de la empresa. Se les podría encargar mantener y cultivar a los mejores empleados o pedirles que
sirvan como caja de resonancia para decisiones comerciales estratégicas.
El coaching es un método valioso para que las personas aprendan nuevas habilidades, trabajen para
alcanzar metas o simplemente mejoren su confianza personal y profesional.
Los empleados suelen sentirse incómodos con el aprendizaje declarativo. Los académicos han
señalado que la tarea principal de mejorar el desempeño de los empleados es cultivar la capacidad
profesional de los empleados para desarrollar aún más sus mentes en función de su cognición existente.
El estado mental de los empleados está directamente relacionado con el estilo de gestión de los líderes y
afecta la autoeficacia de los empleados. La gestión positiva de los líderes puede mejorar el desempeño
empresarial, mientras que la gestión negativa, como la gestión abusiva, perjudicará a los empresarios.
Sostenibilidad2022,14, 1949 4 de 22

la psicología de los empleados y los hace flojos en el trabajo, lo que eventualmente disminuye el desempeño de
la empresa. Sin embargo, la autoeficacia puede aumentar la satisfacción laboral de los empleados y la confianza
en la empresa. Así, los empleados trabajarán activamente y no se plantearán marcharse.
Actualmente se están investigando tecnologías de interacción hombre-máquina basadas en inteligencia
artificial. La tecnología de interacción hombre-máquina puede realizar el diálogo entre humanos y
computadoras a través de entradas y salidas de computadoras. Sin embargo, la tecnología de interacción
hombre-máquina rara vez se utiliza en la evaluación del desempeño corporativo. El aprendizaje profundo es una
nueva dirección de investigación en el campo del aprendizaje automático. La incorporación del aprendizaje
profundo al aprendizaje automático puede acercar el aprendizaje automático a la inteligencia artificial [15].

Se revisó para su evaluación una técnica de proceso de jerarquía analítica (AHP) de previsión
y toma de decisiones utilizada con fines de rendimiento y el modelo trabajó en un ejemplo en 2001
[dieciséis]. Dado que la esencia de las redes neuronales es simular el proceso operativo del
cerebro humano, que puede procesar datos incompletos e inexactos de manera más eficiente, las
empresas las prefieren y las utilizan para evaluar la satisfacción de los empleados.
Con la teoría de la psicología organizacional, el sistema de diálogo hombre-máquina se diseña
basándose en la tecnología de interacción hombre-máquina bajo percepción situacional. Cuando la
gestión abusiva y la autoeficacia se combinan con la investigación sobre el modelo de red neuronal BP de
aprendizaje profundo y el modelo de regresión de la máquina de vectores de soporte, se analizan
factores integrales que influyen en el desempeño empresarial para proporcionar una base realista para
la aplicación de la IA en la evaluación del desempeño empresarial.
Nuestros objetivos de investigación apuntan a abordar los siguientes problemas:

Asunto 1: ¿Cuál es la relación entre la gestión abusiva y las escalas de calificación de

desempeño laboral y autoeficacia?
Asunto 2: ¿Cuáles son las implicaciones de la tecnología de interacción hombre-máquina basada en
inteligencia artificial, la gestión maliciosa y la autoeficacia en términos de efectos directos sobre el
desempeño corporativo y la satisfacción de los empleados?

2. Materiales y métodos
2.1. Base teórica para influir en el desempeño empresarial
La psicología organizacional es el estudio del aprendizaje humano, la intervención educativa con
retroalimentación, la psicología de la enseñanza y la psicología social en el entorno organizacional. Su
función principal es aplicar teorías psicológicas o resultados de investigaciones a la educación humana.
La psicología del aprendizaje es una rama de la psicología organizacional, que se utiliza para estudiar las
actividades psicológicas de las personas en el proceso de aprendizaje; es decir, el proceso de cambio de
la psicología y el comportamiento humanos bajo el efecto de la práctica adquirida o la experiencia
acumulada.

2.1.1. Relación entre estilos de aprendizaje y competencia profesional de los empleados

En general, debido a la experiencia social y laboral, los empleados tienen objetivos claros de aprender
para obtener beneficios. Los empleados tienden a aceptar el aprendizaje por descubrimiento, que es más útil
que el aprendizaje receptivo tradicional.17], obteniendo así abundante experiencia práctica y reflexionando
sobre el significado del trabajo. Por tanto, es fácil reflexionar sobre el conocimiento procedimental y su
significado. La Ley de Anderson señala que el aprendizaje del conocimiento procedimental incluye tres
procesos: aprendizaje declarativo, compilación del conocimiento y generalización del conocimiento.18]. Para los
empleados, generalmente resulta difícil aprender el primer proceso. Como resultado, si las empresas quieren
mejorar el desempeño de los empleados, el primer paso es capacitar el aprendizaje de idiomas y las estrategias
cognitivas de los empleados para ayudarlos a aprender conocimientos declarativos de manera eficiente.

2.1.2. Relación entre la teoría del aprendizaje y la competencia profesional de los empleados
La teoría de la enseñanza de Gagne es una de las teorías de la enseñanza más importantes y
conocidas basadas en principios cognitivos. Esta teoría es una de las condiciones necesarias para que se
produzca el aprendizaje.19]. Se proporciona la fuerza motriz externa correspondiente a los empleados.
Sostenibilidad2022,14, 1949 5 de 22

construir mentes positivas a través del efecto de asimilación y el principio interno del aprendizaje. El
objetivo es construir parcelas de capacidades y hacer que los empleados se adapten a situaciones
laborales reales.

2.1.3. El desempeño y el efecto de la supervisión abusiva

La gestión abusiva se refiere al comportamiento de los líderes hacia los empleados subordinados
durante el trabajo. Estas prácticas son persistentes y contienen hostilidad hacia los empleados, incluidos
comportamientos verbales y no verbales (excluyendo comportamientos físicos) [20].
Algunos investigadores creen que el propósito de la gestión abusiva por parte de los líderes es
controlar a los empleados para lograr sus propios objetivos intimidándolos. El comportamiento abusivo
de la dirección aumentará significativamente el dolor psicológico de los empleados, provocando que se
encuentren en un estado laboral negativo.21]. Entonces, la lealtad y el abandono de los empleados se
debilitarán [22]. Finalmente, el comportamiento abusivo de los líderes afectará gravemente el ambiente
de trabajo armonioso entre los empleados, dañará la psicología de los empleados y, en última instancia,
no podrá generar los beneficios correspondientes para la empresa.

2.1.4. La medición y el efecto de la autoeficacia

La autoeficacia puede predecir la retroalimentación emocional y el desempeño laboral de los
empleados.23]. Los factores de medición de la autoeficacia incluyen factores ambientales, rasgos de
personalidad y características de liderazgo. La distancia de poder dentro de los factores ambientales
reducirá significativamente la autoeficacia de los empleados, mientras que la realización de las tareas
laborales mejorará la autoeficacia de los empleados.24]. El liderazgo transformacional puede mejorar el
desempeño de los empleados al influir en la autoeficacia. El liderazgo inclusivo puede perdonar el fracaso
de los empleados, tratar a cada empleado de manera justa y mejorar su autoeficacia.25].
En primer lugar, la autoeficacia puede mejorar la satisfacción laboral de los empleados, mejorar el
nivel de integridad de los empleados hacia la empresa, reducir el grado de agotamiento laboral y
eliminar la idea de dejar la empresa.26]. Puede predecir positivamente la proporción de dedicación,
compromiso y actividad en el compromiso laboral.27]. Entonces, frente al estrés, la fuerza de la
autoeficacia tendrá un impacto directo en la forma en que los empleados elijan afrontar el estrés.28].
Finalmente, la autoeficacia puede predecir positivamente el desempeño laboral de los empleados, es
decir, la autoeficacia es un índice eficaz para predecir el desempeño de los empleados.29]. Para los
empleados jóvenes, la autoeficacia es directamente proporcional al desempeño laboral. La autoeficacia
también puede predecir directamente el desempeño del personal de investigación y desarrollo en
diferentes dimensiones [30]. De acuerdo con la teoría anterior, este estudio analiza la medición y la
influencia de la autoeficacia, lo que es útil para analizar el impacto de la autoeficacia de los empleados en
su desempeño bajo un comportamiento gerencial abusivo.
A continuación, discutimos algunas teorías relacionadas con las hipótesis de gestión abusiva y
desempeño de los empleados.
En términos de investigación teórica sobre supervisión abusiva, los investigadores generalmente
están de acuerdo con la expresión del concepto de supervisión abusiva por [31], es decir, la supervisión
abusiva es un tipo de comportamiento de liderazgo destructivo existente en varias organizaciones, que
se refiere a la percepción de un subordinado de un comportamiento hostil lingüístico o no verbal que es
mostrado constantemente por un supervisor, pero que no incluye contacto físico. La investigación sobre
los diversos aspectos de la supervisión abusiva se ha desarrollado y enriquecido gradualmente, desde la
definición de la supervisión abusiva hasta la medición, las causas, las consecuencias y los mecanismos de
la supervisión abusiva, y luego hasta su mecanismo de respuesta y cierto grado de efecto positivo.

Los autores de [32] utilizó la teoría de la protección de recursos para explorar el impacto del
comportamiento destructivo de los líderes, como la supervisión abusiva en el intercambio de conocimientos de
los empleados, y el papel de la orientación a objetivos de aprendizaje y la motivación de superación personal en
la regulación de la relación anterior. Los resultados sugieren que los empleados con recursos agotados y
abusados pueden reducir su nivel de intercambio de conocimientos. Además, los efectos negativos de la
supervisión abusiva pueden variar según factores personales. Por lo tanto, para lograr
Sostenibilidad2022,14, 1949 6 de 22

No se puede ignorar la eficacia organizacional a través del intercambio de conocimientos, el papel clave del
comportamiento del líder y las características o motivaciones de los empleados.
Resumimos los estudios relacionados a continuación, en la Tabla1.

Tabla 1.Resumen de estudios previos.

Autores Año Contenidos, Resultados

Se requieren conocimientos de gestión eficaces,

liderazgo y habilidades de comunicación. Es
Cemaloğlu [33] 2005
importante que se seleccione, capacite y contrate a
gerentes con estas calificaciones.
Necesitamos estándares de gestión y gobierno
Huy, DTN [34] 2015
corporativo para mejorar el desempeño.
Experimentar una supervisión abusiva puede desencadenar
Tepper, BJ y cols. [35] 2007 fuertes emociones y respuestas negativas por parte de los
empleados subordinados.

Los empleados maltratados pueden reducir su nivel de

Kim y cols. [32] 2016
intercambio de conocimientos.

La autoeficacia puede predecir positivamente el desempeño laboral

Li y col. [29] 2017 de los empleados, es decir, la autoeficacia es un índice eficaz para
predecir el desempeño de los empleados.

El liderazgo transformacional puede mejorar el

Schouteten et al. [25] 2017 desempeño de los empleados al influir en la
autoeficacia.
Podemos referirnos a los estándares chinos de gobierno
Dat, PM, Mau, ND, Préstamo,
2020 corporativo que se refieren a estándares de gestión y
BTT, Huy, DTN [36]
empleados.

En el contexto del liderazgo innovador, se ha establecido un modelo de

evaluación de la reputación del conocimiento para cuestiones relacionadas
Uygun, SV y Sipahi
2021 con el comercio de productos básicos utilizando una plataforma de diseño
Döngül, E. (2021) [37]
de servicios públicos de origen comunitario y estándares de puntuación en el
sistema de índice.

2.2. Modelo de evaluación de la satisfacción de los empleados basado en la red neuronal de BP

Los datos de entrenamiento constituyen el conjunto de datos donde se lleva a cabo el entrenamiento real
y, en la división de validación, es importante mejorar el rendimiento del modelo ajustándolo después de cada
período. El conjunto de prueba nos informa sobre la precisión final del modelo después de completar la fase de
entrenamiento. El conjunto de formación no debe ser demasiado pequeño; de lo contrario, el modelo no tendrá
suficientes datos. Hold-out nos ha guiado en el método de dividir el conjunto de datos en conjuntos de
"entrenamiento" y "prueba". Recomendamos utilizar el 80% de los datos para el entrenamiento y el 20% de los
datos restantes para la prueba.
(1) Modelado
Paso 1: Se diseñan los nodos de entrada. Se utilizan seis índices de evaluación como nodos de
entrada: si la empresa necesita evaluar el desempeño, la racionalidad de la dimensión del sistema de
evaluación, la racionalidad del tiempo de llenado de datos, si la operación de entrada es simple y factible,
la satisfacción esperada de los empleados y la inversión en mantenimiento del sistema. .
Paso 2: Se diseñan los nodos de la capa oculta.
El nodo de capa oculta se diseña según la siguiente ecuación.
√
h1=h+yo+a
(1)
h1= iniciar sesiónah

dóndeyorepresenta el valor de salida de la neurona,hrepresenta el valor de entrada de la neurona;

yaes una constante con un valor que oscila entre 1 y 10.
Figura 1.Marco de un sistema de evaluación basado en la interacción hombre-máquina.

El marco del sistema contiene la biblioteca de páginas, el navegador y el servidor de la interfaz de

interacción hombre-máquina, reemplazando la base de datos tradicional con el repositorio de datos. El
sistema auxiliar de la interfaz de usuario se compone de un navegador y una página de interacción
hombre-máquina para formar una interfaz de usuario unificada. Tiene pasos de operación simples y es
conveniente complementar las funciones del sistema. Si se agrega un usuario, le da el acceso
correspondiente sin instalar nuevamente el software. Los trabajadores pueden disfrutar de la función de
diálogo hombre-máquina en la misma interfaz del navegador.

2.4. Construcción de Modelo Integral de Evaluación de Desempeño de Empresas Inmobiliarias

2.4.1. El principio de regresión de la máquina de vectores de soporte

Un conjunto de muestra (un1,b1), (a2,b2). . . , (ai,bi) está determinado. ai∈Xmetro,m representa el

vector de dimensión (variable independiente), y bi∈X es la variable dependiente y pertenece al valor del
objeto previsto. El valor del factor del objeto de predicción se establece como unyo+1, ayo+2, . . . , ayo+soy. Es
necesario establecer una relación funcional para obtener el valor del objeto de predicción. Por lo tanto, la
base para construir el modelo de regresión de la máquina de vectores de soporte es la variable
dependiente de los datos de muestra conocidos, es decir, la variable de salida del modelo, que
representa la evaluación integral de cada objeto. Las variables de salida se calculan mediante la técnica
de preferencia de orden por similitud a una solución ideal (TOPSIS). Si hay y índices de evaluación, K
objetos de evaluación ydIPrepresenta ely-ésimo valor del índice delk-ésimo objeto de evaluación, la matriz
de índice de evaluación U se expresa de la siguiente manera.
Sostenibilidad2022,14, 1949 8 de 22

- -
Ud.11Ud.12···Ud.1 año
- -
-Ud.21Ud.22···Ud.2 años -
- -
Ud.= - ...- (2)
- ...... -
- ...
-
Ud.k1Ud.k2···Ud.k3

2.4.2. Procesamiento de datos

Los índices seleccionados son índices positivos, índices negativos e índices moderados, y la
dimensión tendrá un impacto en ellos, por lo que es necesario modelar estos datos después de la
asimilación.dIPrepresenta los datos originales, y los datos procesados sonCIP. SidIPes un indicador
positivo, el método de cálculo deCIPes como sigue:

dIP− remín.
pag
CIP= dmín. (3)
dmáximo
pag − pag

SidIPes un índice negativo, el método de cálculo deCIPes como sigue:

− dIP
dmáximo
pag
CIP= dmín. (4)
pag − pag
dmáximo

SidIPes un índice moderado, el método de cálculo deCIPes como sigue:

- wpag−dIP
--1− dIP<wpag
-- máximo(wpag−dmín. pag
pag,dmáximo − w pag)
CIP= 1 dIP=wpag (5)
--
--1− dIP−wpag
dIP<wpag
máximo(wpag−dmín. pag
pag,dmáximo − wpag)

Después de la asimilación de datos, se puede formar una matriz de índice positivo y el rango de
valores deCIPes de 0 a 1. Se asimilan los datos financieros de las empresas inmobiliarias. Los factores del
objeto a probar son: a1(ganancias por acción), un2(valor liquidativo por acción), a3(rendimiento sobre el
capital), un4(margen de beneficio neto), un5(relación circulante), un6(proporción rápida), un7(días en
inventario), un8(días de ventas pendientes), un9(relación patrimonio-activos), y una10(índice de capital).
Entre ellos, un1-a4son índices positivos, un7y un8son índices negativos, un5, a6, a9y un10son índices
moderados y los valores moderados se establecen en 2, 1, 0,6 y 1,2, respectivamente.

2.4.3. Valor de peso de cada índice

El método de ponderación de entropía se utiliza para calcular la ponderación del índice. El algoritmo
puede utilizar diferentes valores de cada peso de atributo para seleccionar cada atributo, por lo que no es
necesario reducir la dimensión. Los pasos de cálculo son los siguientes:
En el primer paso, la entropía de salida deliSe calcula el -ésimo índice.

X
tpag=−(enX)−1∑dIPendIP (6)
i=1

X
dóndedIP=dIP/∑dIP;pag=1, 2···,metro.
i=1
El segundo paso es calcular el grado de variación del índice.pag.

mipag=1−tpag;pag=1, 2,···,metro (7)

Sostenibilidad2022,14, 1949 9 de 22

El tercer paso es calcular el valor de peso del índice.pag.

metro

wpag=mipag/∑mipag;pag=1, 2,···,metro (8)

pag=1

2.4.4. Establecimiento del modelo de regresión de máquina de vectores de soporte

El valor de evaluación integral calculado por el método TOPSIS se utiliza como variable de salida del
modelo de regresión de la máquina de vectores de soporte, y el valor del atributo de asimilación se
utiliza como variable de entrada (variable independiente) del modelo, y luego la función de base radial es
seleccionada como la función central del modelo de investigación. Se lleva a cabo la validación cruzada y
la búsqueda en grilla de 82 muestras de entrenamiento. Finalmente, el parámetro óptimo del modelo se
determina como (c, g) = (0.18925, 1.1469). Por lo tanto, el modelo de regresión de máquina de vectores
de soporte para la evaluación integral del desempeño de empresas inmobiliarias se obtiene de la
siguiente manera.

metro(
)(∣ ∣)
F(x) =∑λpag− λ′ pag Exp−gramo∣x-xpag
∣2+s (9)
pag=1

dóndeλpag− λpag
′ representa model.sv_coef (matriz de 8×1 en función de decisión), ysse encuentra
para model.rho, que es una constante (−0,3052).

2.5. Prueba de hipótesis de gestión abusiva y desempeño de los empleados

En la estructura empresarial, si los empleados reciben un comportamiento abusivo por parte de los
líderes, tendrá un impacto negativo. Según el principio de la teoría de la reciprocidad [38], para que se
forme una relación de alta calidad entre líderes y empleados, depende más de si los líderes brindan
ayuda positiva y beneficiosa a los subordinados [39]. Si los subordinados sienten el comportamiento
abusivo del líder, reducirán su esfuerzo laboral, se negarán a pagar y, finalmente, reducirán su
desempeño laboral. Este comportamiento negativo no aporta ningún beneficio a la empresa. El resultado
final es que tanto el desempeño de la tarea como el desempeño de la relación se verán perjudicados.40,
41]. Con base en los temas de investigación anteriores, se proponen las siguientes hipótesis, como se
muestra en la Tabla2.

Tabla 2.Hipótesis de gestión abusiva y desempeño de los empleados.

Número Hipótesis
1 La gestión abusiva se correlaciona negativamente con el desempeño objetivo

2 La gestión abusiva se correlaciona negativamente con la relación con los empleados

3 La gestión abusiva se correlaciona negativamente con el desempeño laboral

2.6. Prueba de Hipótesis de Autoeficacia y Desempeño Laboral

A partir del análisis de la relación entre la autoeficacia y el desempeño laboral, la autoeficacia
puede predecir directamente el desempeño laboral de los empleados. Existe una correlación positiva
entre la autoeficacia de los empleados y el desempeño laboral.42]. Las personas con alta autoeficacia no
sólo pueden completar eficazmente su propio trabajo, sino también las tareas más difíciles asignadas por
los líderes. Además, tienen una gran capacidad profesional y muestran un excelente desempeño
personal. Esto revela que la autoeficacia de los empleados puede afectar directa y positivamente su
desempeño laboral. Por lo tanto, se proponen los siguientes supuestos, como se muestra en la Tabla3.
Sostenibilidad2022,14, 1949 10 de 22

Tabla 3.Hipótesis de autoeficacia y desempeño de los empleados.

Número Hipótesis
1 La autoeficacia se correlaciona positivamente con el desempeño objetivo

2 La autoeficacia se correlaciona positivamente con la relación con los empleados

3 La autoeficacia se correlaciona positivamente con el desempeño laboral

3. Resultados

3.1. Información demográfica

Mesa4Muestra los datos demográficos de los encuestados. De los participantes, 200 eran mujeres y
293 hombres. Esto sugiere que en las empresas se prefieren los candidatos hombres. La mayoría de los
encuestados, 224 personas, tenían entre 36 y 43 años, lo que indica que las empresas prefieren trabajar
con el grupo de mediana edad. Un total de 274 personas (55,57%) tenían entre 11 y 15 años de
experiencia laboral, lo que sugiere que las empresas prefieren trabajar con personas de alto nivel. El
número de participantes graduados en programas de doctorado es de 52, lo que constituye el 10,63%. En
este contexto, se puede orientar a los empleados para que reciban formación académica.

Tabla 4.Información demográfica.

Género F %
Femenino 200 40,5
Masculino 293 59,5
Total 493 100
Edad F %
20–27 62 12.57

28–35 57 11.5
36–43 224 45,43

44–50 78 15.8
Más de 50 72 14.7
Total 493 100
Experiencia F %
Menos de 3 años 14 2.83
3 a 7 años 47 9.57
7 a 11 años 56 11.35

11 a 15 años 274 55,57

Más de 15 años 102 20,68

Total 493 100

Calificación F %
Bachiller 273 55.3
Maestro 168 34.07

Doctor 52 10.63

Total 493 100

3.2. Criterios de cumplimiento estándar

El análisis factorial de validación se utiliza para la verificación de información teórica [43].

Para que el modelo de Análisis de Factores Confirmantes (CFA) sea aceptable, el “cumplimiento
Sostenibilidad2022,14, 1949 11 de 22

Se analizan los buenos criterios”. El rango de aceptación propuesto de los criterios se presenta en la
Tabla5Residencia en [44].

Tabla 5.Criterios de cumplimiento estándar.

Índices de bondad de armonía Criterios

χ2/Dakota del Sur <5

RMSEA 0.00≤RMSEA≤0,10
RMR 0.00≤RMR≤0,10
GFI 0,80≤GFI≤0,95
CFI 0,90≤CFI≤0,97
NFI 0,80≤NFI≤0,95
NNFI 0,95≤NNFI≤0,97
AGFI 0,80≤AGFI≤0,90
RMSEA: error cuadrático medio de aproximación; RMR: residuos cuadráticos medios; GFI: coeficiente de bondad de ajuste; CFI:
coeficiente de ajuste comparativo; NFI: índice de ajuste normalizado; NNFI: índice de ajuste no normado; Índice de bondad de
ajuste ajustado AGFI

Cuando los valores en la tabla5se examinan, aproximadamente 1 en el error cuadrático

promedio de errores (RMSEA) varía de 0 a 1. Si los valores resultantes son iguales o menores que
0,05, la armonía perfecta indica que valores hasta 0,10 son aceptables.
El coeficiente de bondad de ajuste (GFI) varía de 0 a 1. Los valores de 0,90 y superiores se
consideran un buen ajuste, y los valores superiores a 0,85 son valores aceptables. El índice de bondad de
ajuste ajustado (AGFI) es el valor GFI ajustado teniendo en cuenta el ancho de la muestra. Se valora entre
0 y 1 y se considera un buen ajuste por encima de 0,90.
El coeficiente de ajuste comparativo (CFI) es un criterio que tiene en cuenta el tamaño de la
muestra y el grado de libertad del modelo en la evaluación del cumplimiento del modelo. Tener un
CFI superior a 0,90 se considera suficiente y superior a 0,95 se considera el ajuste perfecto. El
índice de ajuste normalizado (NFI) varía de 0 a 1. Los valores cercanos a 1 indican un sueño
excelente [44].

3.3. Resultados de la evaluación de la satisfacción de los empleados

Antes de utilizar el modelo de red neuronal de BP para evaluar la satisfacción de los empleados, se realizan pruebas y
entrenamiento de simulación para obtener los resultados finales de la evaluación de la satisfacción de los empleados, como se
muestra en la Figura2a-c a continuación.
Cifra2a muestra que cuando el modelo de red neuronal se repite 70 veces, toda la red alcanza su
mejor nivel. Cifra2b muestra que la línea continua casi coincide con la línea de puntos, lo que indica que
el rendimiento de la red neuronal BP establecida está en el mejor estado, mientras que la Figura2c
muestra los resultados de salida de variables de seis dimensiones del modelo de red neuronal BP que
alcanzan el nivel óptimo en comparación con el valor de salida objetivo dado por los expertos. El valor de
producción real y el valor de producción objetivo son muy cercanos, lo que muestra que todos los índices
del modelo logran el objetivo esperado, es decir, lograr la satisfacción esperada de los empleados.
Figura 2.(a) Modelar los resultados de la formación; (b) resultados de evaluación; (C) comparación de la producción real y la
producción esperada.

3.4. Análisis empírico de la gestión abusiva

Se estudia la gestión abusiva. Se desarrolla una escala de medición de múltiples dimensiones
y campos. En el análisis de la gestión abusiva de los empleados, su fiabilidad y validez son muy
altas. Según la escala de madurez de Tepper se incluyen 15 aspectos. Los empleados deben
realizar una autoevaluación de acuerdo con la situación real de la empresa. El contenido de la
escala se muestra en la tabla.6.
Figura 3.Resultados de la escala de gestión abusiva (CR = 0,969; AVE = 0,679).

Muestra n = 493, χ2/df = 2,269, GFI = 0,928, AGFI = 0,899, CFI = 0,976, RMSEA = 0,061 y
NNFI = 0,971. La idoneidad de cada cálculo es apropiada y cada uno está dentro del rango de
valores de índice estándar. Debido a que AVE > 0,5, la bondad de ajuste y la validez
convergente del modelo son excelentes.

3.5. Análisis empírico de la autoeficacia

Para las revisiones se utiliza la Escala General de Autoeficacia (GSES), que incluye diez aspectos. Los
empleados deben realizar una autoevaluación de acuerdo con la situación real de la empresa. El
contenido de la escala se muestra en la tabla.7.
Figura 4.Escalas de gestión de autoeficacia (CR = 0,599; AVE = 0,928).

CR se refiere al ratio crítico, n = 493, χ2/df = 2,399, GFI = 0,945, AGFI = 0,912, CFI = 0,966,
RMSEA = 0,061 y NNFI = 0,972. La idoneidad de cada cálculo es apropiada y cada uno está dentro
del rango de valores de índice estándar. Debido a que AVE > 0,5, la bondad de ajuste y la validez
convergente del modelo son excelentes.

3.6. Impacto de la gestión abusiva y la autoeficacia en el desempeño empresarial

Se calcularon el coeficiente interno de consistencia (alfa de Cronbach) y la validez para la
confiabilidad de la escala de manejo abusivo. Se decidió que el análisis factorial era interpretable
observando los resultados del KMO y la prueba de Bartlett. Como resultado de la prueba de
confiabilidad aplicada a la escala, el coeficiente de consistencia interna/confiabilidad fue alfa α =
0,841. Se entiende que el coeficiente de confiabilidad alfa de Cronbach resultante es
estadísticamente suficiente y la escala es consistente y confiable.
Kaiser-Meyer-Olkin (KMO) se considera una medida de elegibilidad de la muestra y se solicita que
sea mayor que 0,6. Por tanto, se puede decir que el grupo de datos que nos ocupa es bueno para el
análisis factorial. También se encontró que el grado de globalidad (prueba de esfericidad de Bartlett) era
estadísticamente significativo, lo que indica que se podían extraer factores o variables significativos de
los datos de la investigación (Tabla8).
Sostenibilidad2022,14, 1949 15 de 22

Tabla 8.Escala de gestión abusiva. Cargas factoriales, media aritmética y valores de desviación estándar
relacionados con la escala.

Factor ¯
Número Gestión abusiva X Dakota del Sur
Cargando

1 El superior ridiculiza al 0.809 3,82 0,92

subordinado en la empresa.
2 El superior desprecia al 0.805 3.55 0,90
subordinado en la empresa.
3 El superior ignora al 0.834 4.05 1.05
subordinado en la empresa.
4 El superior menosprecia al 0,859 4.09 1.23
subordinado en la empresa.

5 El superior ofende la 0.843 4.08 1.21

intimidad del subordinado
en la empresa.
6 El superior critica el trabajo 0,839 4.07 1.19
del subordinado en la
empresa.
7 El superior obstaculiza al 0,837 4.06 1.12
subordinado en la empresa.
8 El superior abusa del 0,828 4.04 1.03
subordinado en la empresa.
9 El superior no mantiene el 0.823 4.03 0,99
local en la empresa.
10 El superior se enoja 0.813 4.02 0,97
inexplicablemente en la empresa.

11 El superior denigra al 0.811 4.01 0,95

subordinado en la empresa.
12 El superior se porta mal en la 0.808 3.80 0,88
empresa.
13 El superior obstaculiza los 0.802 3.57 0,85
contactos entre los
subordinado en la empresa.
14 El superior desprecia la 0.780 3.55 0,83
capacidad del subordinado en la
empresa.
15 El superior engaña al 0,629 2.90 0,81
subordinado en la empresa.
• Valor propio 3.80
• Tasa de divulgación de variación total 54.279

• KMO (Medida de adecuación del muestreo de Kaiser-Meyer-Olkin) 0.821

• Prueba de esfericidad de Bartlett 332.232,pag=0.000

• Alfa de Cronbach (coeficiente de confiabilidad) 0.841

Cuando se examinan las medias aritméticas de las proposiciones, encontramos n = 493,

χ2/df = 2,269, GFI = 0,928, AGFI = 0,899, CFI = 0,976, RMSEA = 0,061 y NNFI = 0,971. La
idoneidad de cada cálculo es apropiada y cada uno está dentro del rango de valores de índice
estándar. Debido a que AVE > 0,5, la bondad de ajuste y la validez convergente del modelo
son excelentes.
Como resultado de la prueba de confiabilidad aplicada a la escala, el coeficiente de consistencia
interna/confiabilidad fue alfa α = 0,839. Este resultado muestra que la escala es confiable [46]. El
Sostenibilidad2022,14, 1949 16 de 22

y
mi

oh

norte

Figura 5.El impacto de la gestión abusiva y la autoeficacia en el desempeño empresarial: (a) edad como
variable; (b) la educación como variable.
Figura 6.Resultados de salida del modelo de regresión de máquina de vectores de soporte.

Cifra6muestra que los resultados de salida del modelo están cerca de los resultados de la predicción.
Especialmente en la cuarta muestra, los resultados de salida son básicamente consistentes con los resultados de
la predicción. Además, la fluctuación de la tendencia general de la curva de error de los dos métodos es
relativamente pequeña, lo que indica que el modelo de regresión de la máquina de vectores de soporte puede
predecir correctamente el desempeño real de las empresas inmobiliarias.

4. Discusión
La capacidad de la inteligencia artificial para mejorar la participación de los solicitantes y
empleados mediante la automatización de responsabilidades rutinarias y de bajo valor, liberando así
tiempo para concentrarse en un trabajo más planificado e innovador que los equipos necesitan y quieren
hacer, ha sido un tema candente en el mundo de la investigación durante años. La tecnología puede
conducir a mejores enfoques de contratación, evaluaciones de desempeño, capacitación y gestión de
carreras [48]. Los resultados muestran que la gestión abusiva tiene una correlación significativamente
negativa con el desempeño laboral. Esto es consistente con los resultados de la investigación de [49]. En
la empresa, los líderes brindan apoyo y recursos a los empleados, y los empleados los aceptan
activamente. Al mismo tiempo, los empleados pueden mejorar su desempeño en sus proyectos
laborales. Además, pueden tomar activamente medidas fuera de su propio negocio para promover el
desarrollo de la empresa, que regresa a la empresa. Si los empleados sufren la gestión abusiva de los
líderes, experimentarán emociones negativas psicológicamente, mostrarán menos comprensión y
tomarán menos medidas para trabajar. Finalmente, trabajarán de forma lenta y ordenada, provocando
una disminución en el rendimiento laboral. Al mismo tiempo, las emociones negativas también pueden
provocar que los empleados no estén dispuestos a mantener buenas relaciones con colegas y líderes, lo
que perjudica el desempeño de las relaciones.
Existe una correlación positiva entre la autoeficacia de los empleados y el desempeño laboral (pag<
0,01), lo que concuerda con los resultados de la investigación de [50]. La autoeficacia representa la
confianza de los empleados en sí mismos para completar sus tareas. Cuando los empleados tienen un
fuerte sentido de autoeficacia, tendrán fe en que pueden lograr sus objetivos a través de sus esfuerzos.
En una empresa, los empleados con un fuerte sentido de autoeficacia saben cómo superar las
dificultades para realizar las tareas. Al mismo tiempo, están llenos de confianza en sí mismos,
Sostenibilidad2022,14, 1949 18 de 22

y su desempeño laboral también mejorará en consecuencia. Al lograr los objetivos establecidos, los
empleados también pueden tener más confianza para seguir llevando a cabo el plan de trabajo y podrán
ayudar a sus colegas. La mayoría de los encuestados (55,57%) tenían entre 11 y 15 años de experiencia
laboral. En este contexto, se puede ordenar al personal con menor antigüedad que proporcione
capacitación en el servicio. Esto mejora el rendimiento laboral de los empleados, fortalece la colaboración
entre ellos y garantiza la formación de una empresa compartida y también altamente motivada. Si se
actúa sobre el control en conjunto, como en [31], los empleados se verán menos afectados por el control
malicioso. Las derivaciones académicas se pueden realizar a través de capacitaciones en servicio, porque
hubo más graduados con doctorado en los resultados de la encuesta. Con una red neuronal se pueden
aclarar los pensamientos de los empleados. Esto podría permitir el desarrollo de interfaces orientadas al
usuario de próxima generación basadas en la neuroergonomía en los sistemas de armas producidos por
Roketsan, y hacer contribuciones significativas al objetivo de desarrollar productos únicos.8].

El sistema de diálogo hombre-máquina está diseñado basándose en tecnología de interacción

hombre-máquina bajo percepción situacional. El modelo de cálculo de red AB/S se utiliza para integrar la
interacción hombre-máquina con el repositorio de datos. Basado en el sistema de soporte tradicional y el
servidor de interacción hombre-máquina, el sistema puede operar Internet, lo cual es consistente con los
resultados de la investigación de [51]. El modelo de red neuronal de BP propuesto tiene el mejor
rendimiento integral, lo que está en línea con el valor esperado de satisfacción de los empleados y
también es consistente con los resultados de la investigación de [52]. Para analizar la relación entre
gestión abusiva, autoeficacia y desempeño empresarial, se propone un modelo de regresión de máquina
de vectores de soporte basado en aprendizaje automático. El modelo con parámetros optimizados puede
predecir con precisión el desempeño de las empresas inmobiliarias y la curva de error es relativamente
suave, lo que es consistente con los resultados de la investigación de [53]. La tecnología de interacción
persona-computadora bajo inteligencia artificial puede lograr mejor la coordinación y aplicación eficiente
de bases de datos heterogéneas. Al mismo tiempo, la tecnología de aprendizaje profundo también se
puede integrar con la evaluación de la satisfacción de los empleados.

En cuanto a la gestión abusiva y el desempeño laboral, los autores de [31] mencionó que para
los subordinados que permanecieron en sus trabajos, la supervisión abusiva se asoció con una
menor satisfacción laboral y vital, un menor compromiso normativo y afectivo, un mayor
compromiso de continuidad, conflicto entre el trabajo y la familia, y angustia psicológica. La justicia
organizacional medió la mayoría de estos efectos, y la movilidad laboral moderó algunos de los
efectos nocivos de la supervisión abusiva.
A continuación, los autores de [54] afirmó que el comportamiento de producción seguro se refiere al
cumplimiento por parte de los empleados de los procedimientos operativos de producción seguros, la participación en
diversas actividades de seguridad y la mejora de la producción segura. En otras palabras, como área separada del
desempeño laboral, el comportamiento de seguridad incluye dos componentes: cumplimiento de la seguridad y
participación en la seguridad.
Entonces, los autores de [55] afirmó que el comportamiento del liderazgo tiene un impacto en el
comportamiento de los empleados. Estudios anteriores se centraron principalmente en el impacto de los
comportamientos positivos de liderazgo en el comportamiento de los empleados. Sin embargo, faltan
investigaciones sobre el impacto de las conductas de liderazgo negativas (supervisión abusiva) en las conductas
de seguridad (incluida la participación y el cumplimiento de la seguridad). Este estudio encontró que la
supervisión abusiva está relacionada negativamente con los comportamientos de seguridad de los empleados
(cumplimiento de la seguridad y participación en la seguridad); que la motivación en materia de seguridad juega
un papel mediador en la relación entre la supervisión abusiva y el comportamiento de seguridad de los
empleados; y que la escrupulosidad modera el papel de la motivación de seguridad entre la relación de
supervisión abusiva y el comportamiento de seguridad de los empleados. Con un mayor nivel de
escrupulosidad, la relación indirecta entre la supervisión abusiva y las conductas de seguridad de los empleados
es más débil. El entrenamiento de la inteligencia artificial requiere una nueva simbiosis hombre-máquina que
ofrezca un trabajo compartido innovador entre máquinas y humanos. Teniendo en cuenta la mejora significativa
de las capacidades de la IA en los últimos años, nuestro artículo va más allá de esta visión y desarrolla el
concepto de cooperación hombre-máquina en el contexto de las ventajas. También contribuye a la
Sostenibilidad2022,14, 1949 19 de 22

comprensión de cómo la IA puede apoyar e incrementar la toma de decisiones humanas. De acuerdo a [

56]: “En línea con la visión de la simbiosis hombre-máquina, tiene más sentido ver la IA como una
herramienta para aumentar (expandir las capacidades humanas) a partir de la automatización (en lugar
de reemplazarlas)”.

5. Conclusiones
El objetivo principal de la modernización y el uso de tecnología en los sistemas de producción es
aumentar la producción. Este aumento específico de la producción, al tiempo que mejora el disfrute de
los empleados, es posible gracias a las aplicaciones y la ciencia de la ergonomía. El rápido ritmo del
desarrollo tecnológico no sólo ha cambiado la naturaleza del trabajo sino también la calidad de la fuerza
laboral, lo que ha resultado en una fuerza laboral más talentosa y competente, con mayor eficiencia y
protección física, mental y social. Al tomar las precauciones necesarias, es necesario proporcionar las
condiciones ambientales de trabajo más adecuadas para el empleado. Con un entorno de trabajo
ergonómico, la calidad de la producción y la eficiencia deseada se lograrán con la guía de la teoría de la
psicología del aprendizaje en psicología educativa. La gestión abusiva tiene una correlación negativa
significativa con el desempeño laboral. El comportamiento abusivo de los líderes debilitará la confianza
entre los empleados y debilitará la lealtad y responsabilidad de los empleados hacia la empresa. La
autoeficacia muestra las características personales de los empleados, que pueden predecir directamente
su compromiso laboral. Los resultados de la investigación también sugieren que la autoeficacia puede
afectar el desempeño empresarial. Sólo cuando se moviliza plenamente el entusiasmo los empleados
pueden participar activamente en el trabajo. El sistema de diálogo hombre-máquina se basa en la
tecnología de interacción hombre-máquina bajo percepción emocional. La interfaz del sistema puede
facilitar la coordinación y aplicación de bases de datos heterogéneas entre colegios y universidades en
Internet. En resumen, desde la perspectiva de la psicología educativa, el rendimiento de la red neuronal
de BP se encuentra en su mejor estado y todos los índices alcanzan la satisfacción esperada de los
empleados. El resultado del modelo de regresión de la máquina de vectores de soporte está cerca del
resultado de la predicción y la tendencia general de las curvas de error de los dos es pequeña, lo que
muestra que el modelo de regresión de la máquina de vectores de soporte puede predecir
correctamente el desempeño real de las empresas inmobiliarias y Proporcionar un método eficaz para
que las empresas evalúen la autoeficacia y la satisfacción laboral de los empleados. Sin embargo, los
resultados aún deben mejorarse. Debido a la diversidad cultural, el análisis de la gestión abusiva es muy
complicado sin el apoyo de datos uno a uno y no es comparable. Mientras tanto, no se puede decidir si
las respuestas de los encuestados son científicas o no, lo que afecta la precisión de los resultados de la
investigación. Este también es un problema que debe resolverse en estudios posteriores.

Por último, pero no menos importante, la disposición y el diseño de las interacciones hombre-
máquina en el lugar de trabajo y el diseño del sistema de diálogo hombre-máquina también deben
garantizar la productividad y una gestión eficaz de los riesgos laborales, y esto implicará el significado de
ergonomía. A continuación, en términos de variables de edad y nivel educativo, las percepciones de los
empleados sobre la gestión abusiva y la autoeficacia de los líderes están conectadas con su desempeño
laboral y, de hecho, existen sinergias entre la edad, la educación, la gestión abusiva, el desempeño
laboral y la sostenibilidad. Finalmente, la gestión maliciosa y la autoeficacia afectan directamente el
desempeño corporativo y la satisfacción de los empleados y, por tanto, la sostenibilidad tanto de las
empresas como de los empleos. La ergonomía, con el objetivo de garantizar la productividad y la calidad
de la salud, la seguridad y el confort de los empleados, busca mejorar su desempeño y mejorar la calidad
de vida. La eficacia de la ergonomía, en términos de solidez y naturaleza de la vida laboral entendida por
todas las partes interesadas, es de gran importancia. El próximo siglo, a medida que continúe la
integración de la ergonomía en la vida laboral, será la era de la ergonomía.
Por lo tanto, en comparación con estudios anteriores, que se centran más en la relación entre un
supervisor abusivo y el desempeño laboral, este estudio ha demostrado más relación con el aspecto de
interacción hombre-máquina, es decir, el sistema de diálogo hombre-máquina se basa en la interacción
hombre-máquina. tecnología bajo percepción emocional, lo que afecta el desempeño laboral. Ésta es la
novedad de la investigación.
Sostenibilidad2022,14, 1949 20 de 22

Nuestro estudio se limitó a 493 participantes que trabajaron para empresas internacionales de
Turquía, Taiwán, Japón y China en 2019. Los autores pueden analizar más profundamente los lados
positivos y negativos de la gestión abusiva y su relación con la productividad y el desempeño empresarial
o del equipo. Alternativamente, los autores pueden separar grupos de industrias y utilizar el mismo
modelo para comparar resultados entre industrias. Dado que los hallazgos de este estudio se limitan a la
muestra que representa, no puede haber generalización de estos resultados para todos los países. Sin
embargo, dado que el número de estudios sobre este tema es insuficiente, esta investigación es
importante para arrojar luz sobre el trabajo a realizar a continuación.

Contribuciones de autor:Conceptualización, SL y ESD; metodología, ESD, SVU y MBÖ.; revisión de

literatura, ESD y SL; validación, PVT y DTNH; investigación, MBÖ.; recursos, EDS; acusación de
datos, SL; escritura: preparación del borrador original, ESD; redacción: revisión y edición,
SL Todos los autores han leído y aceptado la versión publicada del manuscrito.

Fondos:Esta investigación no recibió financiación externa.

Declaración de la Junta de Revisión Institucional:No se solicitó revisión ni aprobación ética para este estudio, porque
de acuerdo con las regulaciones nacionales (Permiso del Comité de Ética en TURQUÍA, Comité del DIRECTORIO TR de
ULAKBİM,https://confluence.ulakbim.gov.tr/pages/viewpage.action?pageId= 97583694&preview=/97583694/100434212/
EtikKurulOnayBelgesiSemas%C4%B1.pdf, consultado el 8 de febrero de 2022) no se requiere la aprobación retrospectiva
del comité de ética para los artículos que utilizaron datos de investigación antes de 2020 (los datos de investigación para
este artículo se obtuvieron en enero de 2019).

Declaración de consentimiento informado:Se obtuvo el consentimiento informado de todos los sujetos involucrados en el estudio.

Declaración de disponibilidad de datos:Los datos presentados en este estudio están disponibles previa solicitud al
autor correspondiente.

Expresiones de gratitud:Los autores agradecen a los árbitros anónimos de la revista por sus
extremadamente útiles sugerencias para mejorar la calidad del artículo.

Conflictos de interés:Los autores declaran no tener ningún conflicto de intereses.

Referencias
1. Sipahi, E. La creatividad y la importancia de la gestión empresarial.En t. J. Ciencias. Ing. Res.2017,8, 426–439. Disponible en linea: https://
www.academia.edu/36473312/CREATIVITY_AND_THE_IMPORTANCE_OF_BUSINESS_MANAGEMENT(consultado el 19 de septiembre de
2021).
2. Wilson, JR Fundamentos de ergonomía de sistemas/factores humanos.Aplica. Ergón.2014,45, 5. [Referencia cruzada] [PubMed]
3. Thatcher, A.; Yeow, PH Factores humanos para un futuro sostenible.Aplica. Ergón.2016,57, 1–7. [Referencia cruzada] [PubMed]
4. Baslo, M.Ofis Ergonomisi Sırt ve Boyun Ağrılarını Önlemek İçin Ofis Ortamını Düzenlemek; Sempozium Dizisi No: 30; Mayıs, İ.Ü., Ed.;
Cerrahpaşa Tıp Fakültesi Sürekli Tıp Eğitimi Etkinlikleri: Estambul, Turquía, 2002; págs. 155-165.
5. Kaya, S. Ergonomi ve Çalışanların Verimliliği Üzerine Etkileri Ar-Ge Bülten, Ağustos. 2008. Disponible en línea:http://www.izto. org.tr/
portals/0/iztogenel/dokumanlar/ergonomi_ve_calisanlarin_verimliligi_s_kaya_26.04.2012%2020-39-20.pdf(consultado el 21 de octubre
de 2021).
6. Karamik, S.; Seker, U. İşletmelerde İş Güvenliğinin Verimlilik Üzerine Etkilerinin Değerlendirilmesi, Gazi Üniversitesi Fen Bilimleri Dergisi
Parte C: Tasarım ve Teknoloji.Universidad Gazi. J. Ciencias. Parte C: Des. Tecnología.2015,3, 575–584.
7. Kosti, MV; Georgiadis, K.; Adamos, DA; Laskaris, N.; Spinellis, D.; Angelis, L. Hacia una interfaz cerebro-computadora asequible para la evaluación de la carga
de trabajo mental de los programadores.En t. J. Hum. Computadora. Semental.2018,115, 52–66. [Referencia cruzada]
8. Roketsan Dergisi. Disponible en linea:http://www.roketsan.com.tr/wpcontent/uploads/2018/03/RoketsanDergisi-12-Say%C4 %B1-
Ocak-2018.pdf(consultado el 12 de septiembre de 2021).
9. Mahoma, N.; Scrimgeour, F.; Reddy, K.; Abidin, S. La relación entre el desempeño ambiental y el desempeño financiero en períodos de crecimiento
y contracción: evidencia de empresas australianas que cotizan en bolsa.J. Limpio. Pinchar.2015,102, 324–332. [Referencia cruzada]
10. Jarrahi, MH La inteligencia artificial y el futuro del trabajo: simbiosis humano-IA en la toma de decisiones organizacionales.Autobús. Horizontal. 2018,61,
577–586. [Referencia cruzada]
11. Floridi, L.; Capuchas, J.; Beltrametti, M.; Chatila, R.; Chazerand, P.; Dignum, V.; Luetge, C.; Madelín, R.; Pagallo, U.; Rossi, F.; et al.
AI4People: un marco ético para una buena sociedad de IA: oportunidades, riesgos, principios y recomendaciones.Mentes Mach. 2018,
28, 689–707. [Referencia cruzada]
12. Guan, W.; Ni, Z.; Hu, Y.; Liang, W.; Ou, C.; Él, J. Características clínicas de la enfermedad por coronavirus 2019 en China.N. inglés. J. Med. 2020,382,
1708-1720. [Referencia cruzada]
Sostenibilidad2022,14, 1949 21 de 22

13. Yogesh, K.; Dwivedi, EI; Hughes, DL; Carlson, J.; Filieri, F.; Jacobson, J.; Jainista, V.; Karjaluoto, H.; Kefi, H.; Krishen, AS; et al. Estableciendo el futuro
de la investigación de marketing de redes sociales y digitales: perspectivas y propuestas de investigación.En t. J.Inf. Gestionar. 2021,59, 102168.
[Referencia cruzada]
14. Puaschunder, JM La situación jurídica e internacional de la IA, la robótica y los macrodatos con atención a la atención sanitaria. Informe en
nombre del Foro Liberal Europeo del Parlamento Europeo. 2019. Disponible en línea:https://ssrn.com/abstract=3472885 (consultado el 4 de
septiembre de 2021).
15. Lemley, SJ; Bazrafkan, P. Corcoran. Aprendizaje profundo para dispositivos y servicios de consumo: superando los límites del aprendizaje automático, la
inteligencia artificial y la visión por computadora.Consumo IEEE. Electrón. revista2017,6, 48–56. [Referencia cruzada]
16. Yaralıoğlu, K. Performans değerlendirmede analitik hiyerarşi prosesi.Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Derg.2001, dieciséis,
129-142. Disponible en linea:https://dergipark.org.tr/tr/pub/deuiibfd/issue/22766/B243002(consultado el 17 de septiembre de 2021).
17. Menon, V. Circuitos de memoria y control cognitivo en la cognición y el aprendizaje matemático.Prog. Res. cerebral.2015,227, 159–186. [Referencia cruzada]

18. Trigeorgis, G.; Bousmalis, K.; Zafeiriou, S. Un método de factorización matricial profunda para aprender representaciones de atributos.Traducción IEEE.
Patrón Anal. Mach. Intel.2017,39, 417–429. Disponible en linea:https://arxiv.org/pdf/1509.03248.pdf(consultado el 8 de agosto de 2021). [Referencia
cruzada]
19. Schunk, DH Gagne'nin Öğretim Kuramı Temelinde Yapılandırılmış Piyano Derslerinde İşbirlikli Öğrenme Yönteminin İşlevselliği.OPUS Int. J. Soc.
Res.2020,dieciséis, 4097–4137. [Referencia cruzada]
20. Zellars, KL; Tepper, BJ; Duffy, MK Supervisión abusiva y comportamiento ciudadano organizacional de los subordinados.J. Aplica. Psicólogo. 2002,87,
1068-1076. [Referencia cruzada]
21. Belias, D.; Koustelios, A.; Sdrolias, L. Satisfacción laboral, conflicto de roles y autonomía de los empleados en la organización bancaria griega.Procedia Soc.
Comportamiento. Ciencia.2015,175, 324–333. [Referencia cruzada]
22. Parque, CH; Kim, W.; Song, JH El impacto del liderazgo ético en el desempeño de los empleados en sus funciones: el efecto mediador de la propiedad
psicológica de los empleados.Tararear. Recurso. Desarrollo. P.2015,26, 385–408. [Referencia cruzada]
23. Huting, N.; Detalle, SI; Heerkens, YF Experiencias de participantes en un programa de autocuidado para empleados con quejas del brazo, cuello u
hombro (CANS): un estudio de métodos mixtos.J. Ocupar. Rehabilitación.2017,27, 35–48. [Referencia cruzada]
24. Angelika, L.; Norberto, T.; Jimminez, P. Expectativas de los empleados bancarios sobre la influencia de los indicadores clave de desempeño y la relación con
la satisfacción laboral y el compromiso laboral.Soc. Ciencia.2018,7, 99. [Referencia cruzada]
25. Schouteten, JJ; De Steur, H.; Sas, B.; De Bourdeaudhuij, I.; Gellynck, X. El efecto del entorno de investigación sobre el perfil emocional y
sensorial en condiciones ciegas, esperadas e informadas: un estudio sobre productos de yogur de marca privada y premium.
J. Ciencia láctea.2017,100, 169–186. [Referencia cruzada]
26. Eibl, B.; Lang, FR; Niessen, C. La voz de los empleados en el trabajo: el papel del género, las creencias de autoeficacia y el liderazgo de los empleados. EUR. J. Trabajo.
Organo. Psicólogo.2020,1, 1–16. [Referencia cruzada]
27. Día, A.; Corona, SN; Ivany, M. Cambio organizacional y agotamiento de los empleados: los efectos moderadores del apoyo y el control laboral. Seguro.
Ciencia.2017,4, 4-12. [Referencia cruzada]
28. Ivey, GW; Blanco, J.; SmiBastien, R.; Mantler, J. Una evaluación de la superposición entre la moral y el compromiso laboral en una muestra militar
no operativa.Ocupar. Psicólogo de la Salud.2015,20, 4-12. [Referencia cruzada] [PubMed]
29. Li, M.; Wang, Z.; Gao, J.; Tú, X. Personalidad proactiva y satisfacción laboral: los efectos mediadores de la autoeficacia y el compromiso laboral en
los docentes.actual. Psicólogo.2017,36, 48–55. [Referencia cruzada]
30. Alessandri, G.; Borgogni, L.; Schaufeli, WB Errata sobre: De la orientación positiva al desempeño laboral: el papel del compromiso laboral y las creencias de
autoeficacia.J. Semental de felicidad.2015,dieciséis, 811. [Referencia cruzada]
31. Tepper, BJ Consecuencias de la supervisión abusiva.Acad. Gestionar. J.2000,43, 178-190. [Referencia cruzada]
32. Kim, SL; Lee, S.; Yun, S. Supervisión abusiva, intercambio de conocimientos y factores individuales: una perspectiva de conservación de recursos.J.
Gestionar. Psicólogo.2016,31, 1106-1120. [Referencia cruzada]
33. Cemaloğlu, N. Türkiye'de okul yöneticisi yetiştirme ve istihdamı: Var olan durum, gelecekteki olası gelişmeler ve sorunlar. Gazi Eğitim
Fakültesi Dergisi2005,25, 249–274. Disponible en linea:http://www.gefad.gazi.edu.tr/tr/pub/issue/6756/90858 (consultado el 23 de
agosto de 2021).
34. Huy, DTN El análisis crítico de las normas limitadas de gobierno corporativo del sur de Asia después de la crisis financiera.En t. J. Calificación. Res. 2005,9,
741–764.
35. Tepper, BJ; Moss, SE; Lockhart, DE; Carr, JC Supervisión abusiva, comunicación de mantenimiento ascendente y angustia psicológica de los
subordinados.Acad. Gestionar. J.2007,50, 1169-1180. Disponible en linea:http://aquila.usm.edu/fac_pubs/1899(consultado el 19 de septiembre
de 2021).
36. Fecha, PM; Mau, Dakota del Norte; Préstamo, BTT; Huy, Estándares comparativos de gobierno corporativo de China de DTN después de la crisis financiera,
los escándalos corporativos y la manipulación.J. Secur. Sostener. Asuntos2020,64, 53–70.
37. Uygun, SV; Döngül, ES Información sobre productos básicos basada en plataformas de servicios públicos obtenidos de productos básicos.En t. J. Soc. Humanidad. Adm. Ciencia. 2021,7,
1709-1720.
38. Graham, JD; Martín, KAG; Bray, SR El ejercicio de autocontrol aumenta la fatiga, reduce la autoeficacia en la tarea y perjudica el rendimiento del ejercicio de
resistencia.Ejercicio deportivo. Llevar a cabo. Psicólogo.2017,6, 70–88. [Referencia cruzada]
39. Xu, AJ; Loi, R.; Lam, LW El mal jefe se lo lleva todo: cómo interactúan la supervisión abusiva y el intercambio líder-miembro para influir en el silencio de los
empleados.Liderazgo. P.2015,26, 763–774. [Referencia cruzada]
Sostenibilidad2022,14, 1949 22 de 22

40. Huang, LC; Semejante; Lin, CC La influencia de la supervisión abusiva en la motivación de los empleados y los comportamientos extra-funcionales: la
investigación diaria.Mentón. Gestionar. Semental.2019,13, 514–530. [Referencia cruzada]
41. Jung, HS; Yoon, HH ¿Qué significa trabajar para los empleados de la hostelería? Los efectos del trabajo significativo en el compromiso organizacional de los
empleados: el papel mediador del compromiso laboral.En t. J.Hosp. Gestionar.2016,53, 59–68. [Referencia cruzada]
42. Musavimoghadam, SR; Naranji, F.; Mohazab, L. La relación entre la tendencia a la oración, el significado de la vida y la competencia social entre
los empleados de la compañía de gas ilam.Res. J. Farmacol.2016,10, 13-16. [Referencia cruzada]
43. Albright, JJ; Parque, HMAnálisis factorial confirmatorio utilizando Amos, Lisrel, Mplus, SAS/STAT CALIS; Publicación del Servicio de Tecnología de la
Información de la Universidad India: Kokomo, IN, EE.UU., 2009; Disponible en linea:https://hdl.handle.net/2022/19736(consultado el 10 de septiembre de
2021).
44. Tabachnick, BG; Fidell, LSUsando estadísticas multivariadas, 5ª ed.; Educación Pearson: Boston, MA, EE. UU., 2007.
45. Goudarzi, E.; Ghonsooly, B.; Pishghadam, R. Una exploración de las interrelaciones entre la autoeficacia en inglés, la conciencia metacognitiva y el desempeño en las
pruebas de los estudiantes de inglés como lengua extranjera.Pragmático. Cogn.2014,22, 325–339. [Referencia cruzada]
46. Özdamar, K.Paquete de programación y análisis estadístico detallado, 4ª ed.; Kaan Kitabevi: Eskisehir, Turquía, 2002.
47. Karagöz, Y.; Kösterelioğlu, İ. İletişim Becerileri Değerlendirme Ölçeğinin Faktör Analizi Metodu ile Geliştirilmesi. Dumlupınar Üniversitesi Sosyal
Bilimler Enstitüsü Dergisi (Escala de evaluación del desarrollo de habilidades comunicativas mediante análisis factorial). Método J. Dumlupinar
Univ. Inst. Soc. Ciencia.2008,21, 81–98.
48. Sipahi, E.; Artantaş, E. Inteligencia artificial en la gestión de recursos humanos. EnManual de investigación sobre gestión innovadora utilizando IA en la Industria 5.0;
Garg, V., Goel, R., Eds.; IGI Global: Hershey, PA, EE. UU., 2022; págs. 1–18. [Referencia cruzada]
49. Santiago, GM Un modelo extendido de la interacción entre actitudes relacionadas con el trabajo y desempeño laboral.En t. J. Producto. Llevar a cabo. Gestionar. 2016,sesenta y cinco,
42–57. [Referencia cruzada]
50. Rad, FG; Heidari, A. Relación entre el aprendizaje cooperativo y la ansiedad ante los exámenes con la autoeficacia y el rendimiento académico en estudiantes.Indian J.
Res. de Salud Pública. Desarrollo.2017,8, 298. [Referencia cruzada]
51. Makarov, D.; Molinero, S.; Vahdatikhaki, F.; Insectomie, A. Sistema integral de soporte a la operación del pavimento en tiempo real mediante comunicación
máquina a máquina.En t. J. Res. Pavimento. Tecnología.2020,13, 93-107. [Referencia cruzada]
52. Trujillo, BAE; Colorado, D.; Rivera, W. Red neuronal y modelo polinomial para mejorar el coeficiente de predicción del rendimiento del
sistema de refrigeración solar intermitente.Sol. Energía2016,129, 28–37. [Referencia cruzada]
53. Kisi, O. Modelado de evaporación en bandeja utilizando una máquina de vectores de soporte de mínimos cuadrados, splines de regresión adaptativa multivariada y
árbol modelo M5.J. hidrol.2015,528, 312–320. [Referencia cruzada]
54. Neil, A.; Griffin, MA Un estudio de las relaciones rezagadas entre el clima de seguridad, la motivación de seguridad, el comportamiento de seguridad y los
accidentes a nivel individual y grupal.J. Aplica. Psicólogo.2006,91, 946–953. [Referencia cruzada] [PubMed]
55. Zhang, X.; Sol, Z.; Niu, Z.; Sol, Y.; Wang, D. El efecto de la supervisión abusiva en el comportamiento de seguridad: un modelo de mediación moderada.En t. J.
Medio Ambiente. Res. Salud pública2021,18, 12124. [Referencia cruzada]
56. Kelly, K. Mejor que los humanos: por qué los robots ocuparán (y deben) nuestros trabajos.cableado, 24 de diciembre de 2012. Disponible en línea:
https://www.wired.com/2012/12/ff-robots-will-take-our-jobs/(consultado el 3 de septiembre de 2021).