[論文レビュー] Deep Learning for Information Systems Research

Sagar Samtani, Hongyi Zhu+3 more|arXiv (Cornell University)|Oct 7, 2020

Big Data and Business Intelligence参考文献 38被引用数 4

ひとこと要約

本論文は、情報システム（IS）研究者による高インパクトなディープラーニング（DL）研究を促進する包括的なフレームワークを提案する。これには、DL-ISRスケーマ、知識的貢献フレームワーク（KCF）、および10の体系的ガイドラインが含まれる。IS研究者は、技術的DL要因と応用文脈、業務機能、学術的伝統を整合させることで、体系的かつ厳密なDL研究を位置づけ、設計、実行できる。これにより、IS分野におけるディープラーニング分野の貢献のスケールと関連性が向上する。

ABSTRACT

Artificial Intelligence (AI) has rapidly emerged as a key disruptive technology in the 21st century. At the heart of modern AI lies Deep Learning (DL), an emerging class of algorithms that has enabled today's platforms and organizations to operate at unprecedented efficiency, effectiveness, and scale. Despite significant interest, IS contributions in DL have been limited, which we argue is in part due to issues with defining, positioning, and conducting DL research. Recognizing the tremendous opportunity here for the IS community, this work clarifies, streamlines, and presents approaches for IS scholars to make timely and high-impact contributions. Related to this broader goal, this paper makes five timely contributions. First, we systematically summarize the major components of DL in a novel Deep Learning for Information Systems Research (DL-ISR) schematic that illustrates how technical DL processes are driven by key factors from an application environment. Second, we present a novel Knowledge Contribution Framework (KCF) to help IS scholars position their DL contributions for maximum impact. Third, we provide ten guidelines to help IS scholars generate rigorous and relevant DL-ISR in a systematic, high-quality fashion. Fourth, we present a review of prevailing journal and conference venues to examine how IS scholars have leveraged DL for various research inquiries. Finally, we provide a unique perspective on how IS scholars can formulate DL-ISR inquiries by carefully considering the interplay of business function(s), application areas(s), and the KCF. This perspective intentionally emphasizes inter-disciplinary, intra-disciplinary, and cross-IS tradition perspectives. Taken together, these contributions provide IS scholars a timely framework to advance the scale, scope, and impact of deep learning research.

研究の動機と目的

• ディープラーニングにおけるIS分野の貢献が限られているという問題に対処し、IS研究者がDL研究に体系的かつ的確に参加できる方法を明確化すること。
• 技術的DLプロセスと環境的・文脈的要因をマッピングする、新しい「情報システム研究のためのディープラーニング（DL-ISR）スケーマ」を構築すること。
• IS研究者がそのDL貢献を最大限に学術的および実務的インパクトを持つように位置づけるのを支援する、知識的貢献フレームワーク（KCF）を導入すること。
• 体系的かつ実行可能な10のガイドラインを提供し、DL-ISR研究における方法論的厳密性、関連性、再現可能性を高めること。
• 現在のDL研究動向を把握し、今後の研究の機会を同定するため、主要なISジャーナルおよび会議の論文を分析すること。

提案手法

• DL-ISRスケーマは、ニューラルネットワーク、最適化などの技術的DL要因と、データ、業務機能、応用分野などの文脈的要因を統合する。
• 知識的貢献フレームワーク（KCF）は、方法論的、実証的、概念的など、IS貢献の種別を分類し、研究者が学術的期待に適合した研究を設計できるように支援する。
• 10の体系的ガイドラインは、データ、モデル設計、評価、倫理的配慮をカバーし、DL-ISR研究における方法論的厳密性、関連性、再現可能性を高める。
• 主要なISのジャーナルおよび会議で発表された125編の論文を対象にしたレビューにより、DL応用のパターン、研究焦点、貢献タイプの傾向を特定した。
• フレームワークは、学際的、学内的、IS間の伝統を統合し、業務機能、応用分野、知識タイプを横断する研究を支援する。
• 本アプローチは、既存のIS分野のDL研究の統合的分析と、今後の研究動向を予測する視点を通じて検証された。

実験結果

リサーチクエスチョン

• RQ1 IS研究者は、学術的および実務的インパクトを最大化するために、どのように体系的にディープラーニング貢献を位置づけることができるか？
• RQ2 情報システム分野における効果的なディープラーニング研究を形作る、主な技術的および文脈的要因は何か？
• RQ3 IS研究者は、現実の組織的問題にディープラーニングを適用する際、どのようにして方法論的厳密性と関連性を確保できるか？
• RQ4 現在のIS分野におけるディープラーニング研究の主な研究テーマ、発表会議、貢献タイプは何か？
• RQ5 IS研究者は、学際的、学内的、IS間の伝統をどのように活用して、革新的なDL-ISR研究を生み出せるか？

主な発見

• DL-ISRスケーマは、データ品質、業務機能、応用文脈などの環境要因と、技術的DL要因との相互作用を効果的にマッピングしている。
• 知識的貢献フレームワーク（KCF）は、IS研究者が貢献を明確に分類・正当化できるようにし、学術的インパクトを高めるとともに、IS分野の伝統と整合性を保つ。
• 10の体系的ガイドラインは、高品質なDL-ISR研究の設計・実行・評価に向けた再現可能で段階的なプロセスを提供する。
• 125編のIS論文のレビューから、大多数のDL-ISR研究がテキストマイニング、予測分析、業務プロセス自動化に焦点を当てており、方法論的革新は限定的であることが明らかになった。
• 本フレームワークは、特に多機能的および学際的DL-ISR研究の分野における未開拓の研究機会を効果的に同定した。
• 業務機能、応用分野、KCFの統合により、研究者はより的を射た、インパクトの大きいディープラーニング研究計画を立案できるようになった。