[논문 리뷰] Deep Learning for Information Systems Research

Sagar Samtani, Hongyi Zhu외 3명|arXiv (Cornell University)|2020. 10. 07.

Big Data and Business Intelligence참고 문헌 38인용 수 4

한 줄 요약

이 논문은 정보시스템(IS) 연구자들이 심층학습(DL) 연구를 고영향력으로 수행할 수 있도록 DL-ISR 개路线도, 지식 기여 프레임워크(KCF), 그리고 10개의 체계적 지침을 도입하여 종합적인 프레임워크를 제안한다. 이는 기술적 DL 구성요소를 응용 맥락, 비즈니스 기능, 학문적 전통과 연계함으로써 IS 연구자들이 체계적이고 엄밀한 DL 연구를 설계하고 수행할 수 있도록 하여, 심층학습 분야에서 IS 기여의 규모와 관련성을 향상시킨다.

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.

연구 동기 및 목표

• 심층학습 분야에서 제한된 IS 기여 문제를 해결하기 위해 IS 연구자들이 체계적으로 DL 연구에 참여할 수 있는 방법을 명확히 하기.
• 기술적 DL 프로세스를 환경적 및 맥락적 요인과 연결하는 새로운 심층학습을 위한 정보시스템 연구(DL-ISR) 개路线도를 개발하기.
• 최대한의 학술적 및 실무적 영향을 위해 IS 연구자들이 자신의 DL 기여를 체계적으로 위치지을 수 있도록 돕는 지식 기여 프레임워크(KCF) 도입하기.
• 엄밀하고 관련성이 높은 DL-ISR 연구를 수행하기 위한 10개의 실행 가능한 체계적 지침 제공하기.
• 현재의 심층학습 연구 동향을 평가하고 향후 연구 기회를 파악하기 위해 주요 IS 저널 및 컨퍼런스 게재 논문들을 분석하기.

제안 방법

• DL-ISR 개路线도는 기술적 DL 구성요소(예: 신경망, 최적화)를 데이터, 비즈니스 기능, 응용 분야와 같은 맥락적 요인과 통합한다.
• 지식 기여 프레임워크(KCF)는 방법론적, 경험적, 개념적 유형과 같은 IS 기여 유형을 분류하여 연구자들이 학문적 기대와 일치하는 작업을 수행할 수 있도록 돕는다.
• 데이터, 모델 설계, 평가, 윤리적 고려사항을 포함하여 메타적 엄밀함, 관련성, 재현 가능성을 확보하기 위해 10개의 체계적 지침을 개발한다.
• 주요 IS 게재처에서 발표된 125篇의 저널 및 컨퍼런스 논문을 대상으로 한 검토를 통해 DL 적용 패턴, 연구 초점, 기여 유형의 패턴을 파악한다.
• 학문 간, 학문 내, 그리고 교차-IS 전통을 강조하여 비즈니스 기능, 응용 분야, 지식 유형 전반의 탐구를 안내한다.
• 기존 IS DL 연구의 통합과 향후 연구 방향의 전망을 통해 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 IS 연구자들은 학술적 및 실무적 영향을 극대화하기 위해 심층학습 기여를 어떻게 체계적으로 위치시킬 수 있는가?
• RQ2 정보시스템에서 효과적인 심층학습 연구를 형성하는 데 핵심적인 기술적 요소와 맥락적 요소는 무엇인가?
• RQ3 실제 조직 문제에 심층학습을 적용할 때 IS 연구자들은 어떻게 방법론적 엄밀함과 관련성을 확보할 수 있는가?
• RQ4 현재 IS 심층학습 연구에서 지배적인 연구 주제, 게재 게재처, 기여 유형은 무엇인가?
• RQ5 IS 연구자들은 학문 간, 학문 내, 교차-IS 전통을 어떻게 활용하여 혁신적인 DL-ISR 탐구를 이끌 수 있는가?

주요 결과

• DL-ISR 개路线도는 데이터 품질, 비즈니스 기능, 응용 맥락과 같은 환경적 요소와 심층학습 기술적 구성요소 간의 상호작용을 효과적으로 매핑한다.
• 지식 기여 프레임워크(KCF)는 IS 연구자들이 자신의 기여를 명확히 분류하고 정당화할 수 있도록 하여 학술적 영향력과 IS 전통과의 일치를 향상시킨다.
• 10개의 체계적 지침은 설계, 실행, 평가 단계에서 고품질의 DL-ISR 연구를 수행하기 위한 재현 가능한 단계별 접근법을 제공한다.
• 125편의 IS 논문 검토 결과, 대부분의 DL-ISR 연구는 텍스트 마이닝, 예측 분석, 비즈니스 프로세스 자동화에 집중되어 있으며, 방법론적 혁신은 제한되어 있다.
• 프레임워크는 특히 다기능 및 다학문적 DL-ISR 탐구 분야에서 미개척된 연구 기회를 성공적으로 식별한다.
• 비즈니스 기능, 응용 분야, KCF의 통합은 연구자들이 더 집중적이고 영향력 있는 심층학습 연구 계획을 수립하는 데 기여한다.