[论文解读] 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 4

一句话总结

本文提出了一套全面的框架，供信息系统（IS）研究人员开展高影响力深度学习（DL）研究，通过引入DL-ISR示意图、知识贡献框架（KCF）以及十项系统性指南，使IS学者能够通过将技术性DL组件与应用背景、业务职能及学科传统相匹配，系统地定位、设计并执行严谨的DL研究，从而推动IS在深度学习领域研究的规模与相关性。

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.

研究动机与目标

• 为解决IS在深度学习领域贡献有限的问题，明确IS学者如何系统性地参与DL研究。
• 开发一种新颖的面向信息系统研究的深度学习（DL-ISR）示意图，将技术性DL流程与环境及背景因素进行映射。
• 提出一种知识贡献框架（KCF），帮助IS学者明确其DL研究贡献的定位，以实现最大的学术与实际影响。
• 提供十项可操作的系统性指南，以支持DL-ISR研究的方法严谨性、相关性与可复现性。
• 分析主流IS期刊与会议，评估当前DL研究趋势，并识别未来研究的机遇。

提出的方法

• DL-ISR示意图将技术性DL组件（如神经网络、优化）与数据、业务职能和应用领域等背景驱动因素相结合。
• 知识贡献框架（KCF）将IS贡献划分为方法论、实证和概念性等类型，帮助研究人员将其工作与学科期望对齐。
• 制定了十项系统性指南，以支持DL-ISR研究的方法严谨性、相关性与可复现性，涵盖数据、模型设计、评估及伦理考量。
• 对125篇来自主要IS期刊与会议的论文进行综述，识别出DL应用、研究重点与贡献类型的模式。
• 该框架强调跨学科、学科内及跨IS传统，以指导在业务职能、应用领域与知识类型之间的研究探索。
• 通过现有IS DL研究的综合分析以及对未来研究轨迹的前瞻性视角，对方法进行验证。

实验结果

研究问题

• RQ1 IS研究人员如何系统性地定位其深度学习研究贡献，以实现最大的学术与实际影响？
• RQ2 塑造信息系统中有效深度学习研究的关键技术与背景因素是什么？
• RQ3 IS学者在将深度学习应用于现实组织问题时，如何确保方法论的严谨性与相关性？
• RQ4 当前IS深度学习研究中的主要研究主题、发表平台与贡献类型是什么？
• RQ5 IS学者如何利用跨学科、学科内及跨IS传统，生成创新性的DL-ISR研究问题？

主要发现

• DL-ISR示意图有效映射了深度学习技术组件与数据质量、业务职能和应用背景等环境因素之间的相互作用。
• 知识贡献框架（KCF）使IS学者能够清晰分类并合理化其研究贡献，从而增强学术影响力，并与IS传统保持一致。
• 十项系统性指南提供了一套可复现的、分步式的方法，用于设计、执行与评估高质量的DL-ISR研究。
• 对125篇IS论文的综述显示，大多数DL-ISR研究聚焦于文本挖掘、预测分析与业务流程自动化，方法论创新有限。
• 该框架成功识别出尚未充分探索的研究机遇，尤其是在跨职能与跨学科的DL-ISR研究方面。
• 将业务职能、应用领域与KCF相结合，使学者能够设计出更具针对性与影响力的深度学习研究议程。