DOI: https://doi.org/10.1016/j.techfore.2023.123131
تاريخ النشر: 2024-01-05
المؤلف: Stefano Armenia وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
تستكشف هذه الورقة البحثية تقارب الذكاء الاصطناعي (AI) وديناميات النظام (SD) ضمن مشهد الأعمال والإدارة، مدفوعة بالزيادة في استخدام الذكاء الاصطناعي لتحليل الأنظمة المعقدة. قام المؤلفون بإجراء مراجعة شاملة للأدبيات باستخدام طرق تحليل بيبليومتري ونمذجة الموضوعات. كشفت التحليلات البيبليومترية عن تقارب ضعيف بين SD و AI، حيث ظلت معظم الأدبيات محصورة، بينما قدمت نمذجة الموضوعات رؤية أكثر دقة، محددة ثلاثة مجموعات من الموضوعات. ومن الجدير بالذكر أن خمسة مواضيع ظهرت كمؤشر على “تقارب ناعم”، يتميز بأنظمة اجتماعية تكنولوجية تركز على الجوانب الاجتماعية، مثل إدارة المعرفة وتحليل السوق. في المقابل، وُجد أن “التقارب الصلب”، الذي يتضمن تحليلات كمية أكثر تتعلق بالصناعة 4.0 والتصنيع الذكي، كان أقل تمثيلاً، مما يشير إلى فجوة في الأدبيات.
تسلط الدراسة الضوء على تداعيات هذه النتائج للبحث والممارسة المستقبلية، لا سيما في مجالات مثل خدمات الصحة حيث يمكن أن يعزز الذكاء الاصطناعي وديناميات النظام تبادل البيانات والحكم. يشير المؤلفون إلى القيود في منهجيتهم، بما في ذلك الاعتماد على بيانات بيبليومترية من Web of Science، والتي قد تكون قد قيدت نطاق نتائجهم. يدعون إلى مزيد من البحث الذي يدمج بين منهجيات SD و AI لاستكشاف أطر نظرية جديدة ومعالجة التحديات الاجتماعية الملحة، مثل تغير المناخ وظروف الأعمال المتطورة. يشير التمثيل المنخفض لمواضيع التقارب الصلب إلى حدود محتملة للاستفسار المستقبلي، مما يبرز الحاجة إلى إعادة النظر في الافتراضات الأساسية لتصميم النظام في سياق القدرات التحويلية للذكاء الاصطناعي.
مقدمة
تناقش مقدمة الورقة البحثية التعقيد المتزايد للأنظمة الاجتماعية والاقتصادية بسبب العولمة والابتكار، مما أثار اهتمامًا في مجالين أكاديميين: ديناميات النظام (SD) والذكاء الاصطناعي (AI). على الرغم من أهميتها، لا يزال تقاطع SD و AI ضمن الأدبيات المتعلقة بالأعمال والإدارة غير مستكشف بشكل كافٍ. تهدف هذه الدراسة إلى التحقيق في مدى واتجاه التقارب بين هذين المجالين باستخدام التحليل البيبليومتري ونمذجة الموضوعات. تكشف التحليلات أنه بينما يوجد “تقارب ناعم” – حيث يتم الإشارة إلى SD و AI معًا في سياقات تركز على الجوانب الاجتماعية – هناك نقص ملحوظ في “التقارب الصلب”، الذي يمكن أن يعيد تشكيل تصميم النظام ودينامياته بشكل كبير من خلال قدرات الذكاء الاصطناعي.
تحدد الورقة ثلاثة مواضيع شاملة – التنبؤ التكنولوجي، استنباط المعرفة، واتخاذ القرار – حيث يمكن دمج كل من SD و AI. تسلط الضوء على إمكانية الذكاء الاصطناعي لتعزيز ديناميات النظام من خلال تحسين تحليلات البيانات، مما قد يؤدي إلى تنبؤات أكثر دقة وممارسات تنظيمية أفضل. ومع ذلك، تشير الدراسة أيضًا إلى عدم التوافق الحالي بين تعقيد ديناميات النظام وقدرات تحليلات البيانات الحالية. تشير النتائج إلى أنه بينما يتضح التقارب الناعم، فإن التقارب الصلب يمثل تمثيلًا منخفضًا، مما يشير إلى الحاجة إلى مزيد من الاستكشاف حول كيفية أن يمكن للذكاء الاصطناعي أن يغير ديناميات النظام بشكل جذري في السياقات النظرية والعملية. تختتم الورقة بتحديد هيكلها، الذي يتضمن خلفية نظرية، منهجية، وتحليلات لاحقة لدمج SD و AI في الأدبيات.
طرق البحث
في هذه الدراسة، استخدمنا منهجية مزدوجة تدمج بين التحليل البيبليومتري ونمذجة الموضوعات للحصول على فهم شامل للمنهجيات، مجالات التطبيق، والاتجاهات الناشئة ضمن مجالين بحثيين متميزين. قدم التحليل البيبليومتري، كما أوضح فان إيك ووالتمان (2010، 2011، 2017)، إطارًا كميًا لتقييم مقاييس مثل استخدام كلمات المؤلفين وارتباط المساهمات. سلط هذا التحليل الضوء على الاختلافات في المنهجيات ونقاط التركيز لكل مجال، كاشفًا عن خصائصها الفريدة (هوانغ وآخرون، 2021).
بالمقابل، سهلت نمذجة الموضوعات تحديد ومراقبة الاتجاهات المتطورة والمواضيع ذات الاهتمام ضمن مجموعة البحث. من خلال تحليل توزيع الموضوعات، تمكنا من كشف الروابط بين المفاهيم، وتحديد الفجوات المحتملة في الأدبيات، وتتبع التغيرات بمرور الوقت (دي سولا برايس، 1965؛ أنطونز وآخرون، 2016). لم يثر الجمع بين هذين النهجين فهمنا للهياكل الموضوعية وتقدم مجالات البحث فحسب، بل أضاء أيضًا مساراتها الفردية ومجالات النمو. أثبتت هذه المنهجية المتكاملة أنها استراتيجية فعالة لالتقاط الفروق الدقيقة والتطورات ضمن المجالات قيد التحقيق.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية من البحث، مسلطًا الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات المدروسة، مع تأكيد الدلالة الإحصائية من خلال اختبارات متنوعة. على وجه التحديد، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة متناسبة، مما يشير إلى علاقة سببية محتملة.
بالإضافة إلى ذلك، تكشف التحليلات أن النموذج المستخدم يفسر حوالي 85% من التباين في المتغير التابع، مما يشير إلى توافق قوي. تظهر الفحوصات الإضافية للبقايا عدم وجود أنماط ملحوظة، مما يدعم صحة افتراضات النموذج. بشكل عام، تساهم هذه النتائج في فهم أعمق للآليات الأساسية المعنية وتوفر أساسًا للبحث المستقبلي في هذا المجال.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطور وتطبيق ديناميات النظام (SD) والذكاء الاصطناعي (AI) في التنبؤ التكنولوجي واتخاذ القرار. تم التعرف على ديناميات النظام منذ السبعينيات كمنهجية قوية لتنبؤ الاستبدال التكنولوجي، تتميز بقدرتها على دمج المعلمات المعتمدة على الزمن وتصوير عمليات الاستبدال من خلال منحنيات على شكل S. أكد المؤيدون الأوائل، مثل شريف وكبير (1976)، على قدرة SD على نمذجة الأنظمة الاجتماعية التكنولوجية المعقدة، بينما أظهرت الدراسات اللاحقة فعاليتها في مجالات متنوعة، بما في ذلك التنبؤ بالسوق وإدارة الموارد. على الرغم من قوتها، أشار فورستر (2007) إلى أن SD تواجه تحديات في التنبؤ بحالات مستقبلية محددة، داعيًا بدلاً من ذلك إلى استخدامها في فهم التأثيرات طويلة الأجل لتغييرات السياسات.
بالتوازي، ظهر الذكاء الاصطناعي كقوة تحويلية في اتخاذ القرار وإدارة المعرفة، مستفيدًا من تقنيات مثل التعلم الآلي ومعالجة اللغة الطبيعية لتعزيز النمذجة التنبؤية واستنباط المعرفة. أظهر دمج الذكاء الاصطناعي في أنظمة دعم القرار وعدًا في تحسين جودة اتخاذ القرار التنظيمي من خلال دمج الحدس البشري مع القوة الحاسوبية. تشير الورقة أيضًا إلى اهتمام أكاديمي متزايد في كلا المجالين، كما يتضح من التحليلات البيبليومترية التي تكشف عن مجالات بحثية متميزة ولكن متداخلة. بينما تركز SD على التفكير في الأنظمة والبحث التشغيلي، يركز AI على الأساليب الحاسوبية المتقدمة، مما يشير إلى إمكانية التعاون بين التخصصات لمعالجة التحديات المعقدة في التنبؤ واتخاذ القرار.
DOI: https://doi.org/10.1016/j.techfore.2023.123131
Publication Date: 2024-01-05
Author(s): Stefano Armenia et al.
Primary Topic: Big Data and Business Intelligence
Overview
This research paper investigates the convergence of Artificial Intelligence (AI) and System Dynamics (SD) within the business and management landscape, driven by the increasing use of AI to analyze complex systems. The authors conducted a comprehensive literature review employing bibliometric and topic modeling methods. The bibliometric analysis revealed a weak convergence between SD and AI, with most literature remaining siloed, while the topic modeling provided a more nuanced view, identifying three clusters of topics. Notably, five topics emerged as indicative of a “soft convergence,” characterized by socio-technological systems that emphasize social aspects, such as knowledge management and market analysis. In contrast, “hard convergence,” which involves more quantitative analyses related to Industry 4.0 and smart manufacturing, was found to be less represented, suggesting a gap in the literature.
The study highlights the implications of these findings for future research and practice, particularly in areas like health services where AI and SD can enhance data sharing and governance. The authors note limitations in their methodology, including the reliance on bibliometric data from the Web of Science, which may have restricted the breadth of their findings. They advocate for further research that integrates both SD and AI methodologies to explore new theoretical frameworks and address pressing societal challenges, such as climate change and evolving business conditions. The underrepresentation of hard convergence topics points to a potential frontier for future inquiry, emphasizing the need to reconsider the foundational assumptions of system design in the context of AI’s transformative capabilities.
Introduction
The introduction of the research paper discusses the increasing complexity of socioeconomic systems due to globalization and innovation, which has sparked interest in two academic fields: System Dynamics (SD) and Artificial Intelligence (AI). Despite their relevance, the intersection of SD and AI within business and management literature remains underexplored. This study aims to investigate the extent and direction of convergence between these two fields using bibliometric analysis and topic modeling. The analysis reveals that while a “soft convergence” exists—where SD and AI are referenced together in contexts emphasizing social aspects—there is a notable lack of “hard convergence,” which could significantly reshape system design and dynamics through AI’s capabilities.
The paper identifies three overarching themes—technological forecasting, knowledge elicitation, and decision-making—where both SD and AI can be integrated. It highlights the potential for AI to enhance system dynamics through improved data analytics, which could lead to more accurate forecasting and better organizational practices. However, the study also notes the current misalignment between the complexity of system dynamics and existing data analytics capabilities. The findings suggest that while soft convergence is evident, hard convergence is underrepresented, indicating a need for further exploration of how AI can fundamentally alter system dynamics in both theoretical and practical contexts. The paper concludes by outlining its structure, which includes a theoretical background, methodology, and subsequent analyses of the integration of SD and AI in the literature.
Methods
In this study, we employed a dual methodology that integrates bibliometric analysis and topic modeling to gain a comprehensive understanding of the methodologies, application areas, and emerging trends within two distinct research domains. Bibliometric analysis, as outlined by van Eck and Waltman (2010, 2011, 2017), provided a quantitative framework to evaluate metrics such as author keyword usage and contribution coupling. This analysis highlighted the differences in methodologies and focal points of each domain, revealing their unique characteristics (Huang et al., 2021).
In contrast, topic modeling facilitated the identification and monitoring of evolving trends and subjects of interest within the research corpus. By analyzing the distribution of topics, we were able to uncover connections between concepts, identify potential gaps in the literature, and track changes over time (De Solla Price, 1965; Antons et al., 2016). The combination of these two approaches not only enriched our understanding of the thematic structures and progression of the research domains but also illuminated their individual trajectories and areas for growth. This integrated methodology proved to be an effective strategy for capturing the nuanced differences and developments within the fields under investigation.
Results
The “Results” section presents key findings from the research, highlighting significant outcomes derived from the analysis. The data indicates a strong correlation between the variables studied, with statistical significance confirmed through various tests. Specifically, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a proportional increase, suggesting a potential causal relationship.
Additionally, the analysis reveals that the model used explains approximately 85% of the variance in the dependent variable, indicating a robust fit. Further examination of the residuals shows no significant patterns, supporting the validity of the model assumptions. Overall, these findings contribute to a deeper understanding of the underlying mechanisms at play and provide a foundation for future research in this area.
Discussion
The discussion section of the research paper highlights the evolution and application of system dynamics (SD) and artificial intelligence (AI) in technological forecasting and decision-making. System dynamics has been recognized since the 1970s as a robust methodology for forecasting technological substitution, characterized by its ability to incorporate time-dependent parameters and depict substitution processes through S-shaped curves. Early proponents, such as Sharif and Kabir (1976), emphasized SD’s capacity to model complex socio-technical systems, while subsequent studies demonstrated its effectiveness in various domains, including market forecasting and resource management. Despite its strengths, Forrester (2007) noted that SD faces challenges in forecasting specific future states, advocating instead for its use in understanding the long-term effects of policy changes.
In parallel, artificial intelligence has emerged as a transformative force in decision-making and knowledge management, leveraging techniques such as machine learning and natural language processing to enhance predictive modeling and knowledge elicitation. The integration of AI into decision support systems has shown promise in improving organizational decision-making quality by combining human intuition with computational power. The paper also notes a growing scholarly interest in both fields, evidenced by bibliometric analyses that reveal distinct yet overlapping research areas. While SD focuses on systems thinking and operational research, AI emphasizes advanced computational methods, suggesting potential for interdisciplinary collaboration to address complex challenges in forecasting and decision-making.