عنوان مقاله:
هوش مصنوعی و اشتراک دانش: عوامل مؤثر در عملکرد سازمانی
Artificial intelligence and knowledge sharing: Contributing factors to organizational performance
سال انتشار: 2021
رشته: مدیریت - مهندسی کامپیوتر
گرایش: هوش مصنوعی - مدیریت دانش - مدیریت عملکرد - مدیریت اجرایی - مدیریت کسب و کار
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
2. Literature review
The implementation of AI over the last decade has led to organizational successes. As such, organizations are gradually embracing the benefits of AI (Arakpogun et al., 2021). Previous studies have discussed the challenges and benefits of AI (Arakpogun et al, 2021, Huang & Rust, 2018, Olan et al., 2021; Olan et al., 2021) while others looked into the analyzes of the future of AI to individuals and communities (Zahraee et al., 2016). Broadly, research on AI has been divided into two - the economic and technology literature (Huang & Rust, 2018). This paper will be exploring the theoretical literature around AI. One of the important developments in organizations is the advancement of knowledge activities that enable managers to utilize available knowledge and expertise effectively and readily when required (Zhao et al., 2016). Knowledge is a key element for innovation and growth in organization, especially for employees to efficiently discharge their assigned duties and roles. The challenges that are associated with the implementation of a KS culture or systems are complex and difficult (Lombardi, 2019; Olan et al., 2022). However, certain literature has tackled some of the challenges of implementing KS systems, knowledge networks, culture, and organizational learning (Wu, 2016; Olan et al., 2022). OP is a set of organization’s goals and objectives, which are aligned with the key performance indicators (KPIs) with KPIs often used for measuring the targets required to achieve the vision of the organization (Obeidat et al., 2016). The relationship between AI and KS as a system for promoting knowledge activities will directly improve the organizational performance, provided all other organizational factors are constant (Huang et al., 2016). The remaining part of this section will be exploring AI, KS, and OP theories. 2.1. Understanding artificial intelligence, intelligent agents and systems AI comprises intelligent agents (IA) and intelligent systems (IS), which enable organizations to carry out intelligent and cognitive activities that integrate the business process with tasks, enabling organizations to be innovative (Arakpogun et al., 2021; Miller, 2019). IA consists of human intelligence that the intuitive abilities produce creative and novelty ideas that drive innovations in organization, this is classified as a competitive edge due to higher experience-based thinking (Liebowitz, 2006). IA is characterized by creative thinking, problemsolving skills, and intuitive abilities, also IA possesses analytical and explorative qualities (Amershi, 2019; Robbins, 2019; Wright & Schultz, 2018; Zahraee et al., 2016). IA is considered as the foundation for building a strong AI, as such, IA is built on human cognition and learning attributes (Chen et al., 2012; Martínez-Lopez ´ & Casillas, 2013). IA can thus be compared to a ‘human child’ with the ability to learn and absorb new ideas faster, including consciousness, self-learning, and other features of human intelligence.
3. Methodology
3.1. Data sample and collection This paper adopts a systemic data sampling method that surveys organizations’ workforce that ranges from strategic, mid-managerial and operational level with every organization provided with the same questionnaire to maintain uniformity of data. The organizations that are represented in the construct are independent, have the right to intellectual property, talented employees, and invest in innovation through research and development (Banker & Morey, 1986). Organizations are striving to remain competitive in a challenging digital economy. As such, the need to explore and provide a better understanding of the available resources are indisputable factors for organizational success. Furthermore, organizations mirror real-case scenarios to analyze the predictive and conditions set for the framework. There is a validity response rate of 52% - an indication that there is a low non-response rate and there is no bias in this survey (Balezentis et al., 2016). The construct reliability and validity in this study use existing measurement scale to define and categorizing items into groups and subgroups of an expert panel consisting of academics, members of organization’s strategic, mid-managerial and operational levels. These groups were engaged for validation of the questionnaire. Thereafter, data collection started with the approved questionnaire after detailed scrutiny by the expert panel with all questionnaire items aligned to the three components discussed in the conceptual framework in Section 2.4 (Bogetoft et al., 2016). At the data collection stage, this study utilized predictor and criterion variables developed from the same organizational respondent to mitigate bias. 3.2. Research design This study applied a fuzzy set-theoretic approach underlying two main arguments - complementarity and equifinality with the patterns of attributes defining the different features leading to varying results on the arrangement of the relationships (Fiss, 2007). Contextually,
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. بررسی ادبیات
پیاده سازی هوش مصنوعی در دهه گذشته به موفقیت های سازمانی منجر شده است. به این ترتیب، سازمان ها به تدریج از مزایای هوش مصنوعی استقبال می کنند (Arakpogun et al., 2021). مطالعات قبلی چالش‌ها و مزایای هوش مصنوعی را مورد بحث قرار داده‌اند (Arakpogun و همکاران، 2021، Huang & Rust، 2018، Olan و همکاران، 2021؛ Olan و همکاران، 2021) در حالی که دیگران به تحلیل‌های آینده هوش مصنوعی برای افراد پرداخته‌اند. و جوامع (زهرایی و همکاران، 1395). به طور کلی، تحقیقات در مورد هوش مصنوعی به دو بخش تقسیم شده است - ادبیات اقتصادی و فناوری (Huang & Rust، 2018). این مقاله به بررسی ادبیات نظری پیرامون هوش مصنوعی خواهد پرداخت. یکی از پیشرفت‌های مهم در سازمان‌ها، پیشرفت فعالیت‌های دانشی است که مدیران را قادر می‌سازد تا در صورت نیاز از دانش و تخصص موجود به‌طور مؤثر و آسان استفاده کنند (ژائو و همکاران، 2016). دانش یک عنصر کلیدی برای نوآوری و رشد در سازمان است، به ویژه برای کارکنان برای انجام کارآمد وظایف و نقش های محوله. چالش هایی که با اجرای یک فرهنگ یا سیستم های KS مرتبط هستند، پیچیده و دشوار هستند (لومباردی، 2019؛ اولان و همکاران، 2022). با این حال، ادبیات خاصی با برخی از چالش‌های پیاده‌سازی سیستم‌های KS، شبکه‌های دانش، فرهنگ و یادگیری سازمانی مقابله کرده است (وو، 2016؛ اولان و همکاران، 2022). OP مجموعه‌ای از اهداف و مقاصد سازمان است که با شاخص‌های کلیدی عملکرد (KPI) با KPIهایی که اغلب برای اندازه‌گیری اهداف مورد نیاز برای دستیابی به چشم‌انداز سازمان استفاده می‌شوند، همسو هستند (عبیدات و همکاران، 2016). رابطه بین هوش مصنوعی و KS به عنوان سیستمی برای ارتقای فعالیت های دانشی به طور مستقیم عملکرد سازمانی را بهبود می بخشد، مشروط بر اینکه سایر عوامل سازمانی ثابت باشند (هوانگ و همکاران، 2016). بخش باقی مانده از این بخش، بررسی تئوری های هوش مصنوعی، KS و OP خواهد بود. 2.1. درک هوش مصنوعی، عوامل هوشمند و سیستم‌های هوش مصنوعی شامل عوامل هوشمند (IA) و سیستم‌های هوشمند (IS) است که سازمان‌ها را قادر می‌سازد تا فعالیت‌های هوشمند و شناختی را انجام دهند که فرآیند کسب‌وکار را با وظایف یکپارچه می‌کند و سازمان‌ها را قادر می‌سازد تا نوآور باشند (Arakpogun et al. ، 2021؛ میلر، 2019). IA متشکل از هوش انسانی است که توانایی‌های شهودی ایده‌های خلاقانه و جدیدی را تولید می‌کند که نوآوری‌ها را در سازمان هدایت می‌کند، این به دلیل تفکر مبتنی بر تجربه بالاتر به عنوان یک مزیت رقابتی طبقه‌بندی می‌شود (لیبوویتز، 2006). IA با تفکر خلاق، مهارت‌های حل مسئله و توانایی‌های شهودی مشخص می‌شود، همچنین IA دارای ویژگی‌های تحلیلی و اکتشافی است (امرشی، 2019؛ رابینز، 2019؛ رایت و شولتز، 2018؛ زهرایی و همکاران، 2016). IA به عنوان پایه ای برای ساختن یک هوش مصنوعی قوی در نظر گرفته می شود، به این ترتیب، IA بر اساس شناخت و ویژگی های یادگیری انسان ساخته شده است (چن و همکاران، 2012؛ مارتینز-لوپز و کاسیلاس، 2013). بنابراین IA را می توان با یک «کودک انسانی» با توانایی یادگیری و جذب سریعتر ایده های جدید، از جمله آگاهی، خودآموزی و سایر ویژگی های هوش انسانی مقایسه کرد.
3. روش شناسی
3.1. نمونه و جمع‌آوری داده‌ها این مقاله یک روش نمونه‌گیری داده‌های سیستمی را اتخاذ می‌کند که نیروی کار سازمان‌ها را از سطح استراتژیک، میانی مدیریتی و عملیاتی با هر سازمانی که پرسشنامه یکسانی ارائه می‌کند برای حفظ یکنواختی داده‌ها بررسی می‌کند. سازمان‌هایی که در ساختار نشان داده می‌شوند، مستقل هستند، حق مالکیت معنوی، کارکنان با استعداد، و سرمایه‌گذاری در نوآوری از طریق تحقیق و توسعه را دارند (بانکر و موری، 1986). سازمان ها در تلاش هستند تا در یک اقتصاد دیجیتال چالش برانگیز رقابتی باقی بمانند. به این ترتیب، نیاز به کاوش و ارائه درک بهتر از منابع موجود، از عوامل مسلم موفقیت سازمانی است. علاوه بر این، سازمان ها سناریوهای واقعی را برای تجزیه و تحلیل پیش بینی و شرایط تعیین شده برای چارچوب منعکس می کنند. نرخ پاسخ اعتباری 52٪ وجود دارد - نشانه ای از وجود نرخ عدم پاسخ پایین و هیچ سوگیری در این نظرسنجی وجود ندارد (Balezentis et al., 2016). پایایی و روایی سازه در این تحقیق از مقیاس اندازه گیری موجود برای تعریف و دسته بندی موارد به گروه ها و زیر گروه های یک پنل متخصص متشکل از دانشگاهیان، اعضای سطوح راهبردی، میانی مدیریتی و عملیاتی سازمان استفاده می کند. این گروه ها برای اعتبارسنجی پرسشنامه درگیر شدند. پس از آن، جمع‌آوری داده‌ها با پرسشنامه تأیید شده پس از بررسی دقیق توسط پانل متخصص با تمام موارد پرسشنامه که با سه مؤلفه مورد بحث در چارچوب مفهومی در بخش 2.4 همسو بودند، آغاز شد (Bogetoft و همکاران، 2016). در مرحله جمع‌آوری داده‌ها، این مطالعه از متغیرهای پیش‌بینی‌کننده و معیار توسعه‌یافته از همان پاسخ‌دهنده سازمانی برای کاهش تعصب استفاده کرد. 3.2. طراحی تحقیق این مطالعه یک رویکرد تئوری مجموعه فازی را به کار برد که در زیربنای دو استدلال اصلی - مکمل بودن و برابری با الگوهای ویژگی‌هایی که ویژگی‌های مختلف را که منجر به نتایج متفاوت می‌شوند، تعریف می‌کنند، استفاده کرد. ts در مورد ترتیب روابط (فیس، 2007). به لحاظ متنی،
