Organizing Work with Algorithmic Augmentation and Artificial Intelligence
Notice bibliographique
Résumé
With the rise of artificial intelligence (AI), we see renewed interest in algorithms that underlie all digital work. The aim of this symposium is to gather our different understandings of algorithms across different disciplines and divisions, and make sense of what we know and what is important to focus on next. Current scholarship shows us that algorithms - a set of digital instructions that are implemented to achieve a goal - enable humans to work more effectively and augment our capacities. At the same time, algorithms are affordances that, in use, can manifest consequences differently to plans and design. Algorithms organize, manage, and control many tasks that are delegated to them by humans; however, this control is not always obvious, transparent, or equitably balanced. We also know that machine learning algorithms are moving beyond initial design to offer unique solutions for unsupervised and uncertain environments and problem spaces. There is growing anticipation about the possibilities of AI and algorithms at work. We hope to unpack current scholarship in this symposium and seek overlap between different domains interested in algorithms and AI in organizational settings and beyond. AI in Organizations: Research Opportunities Presenter: Robert Channing Seamans; NYU Stern The Fine Lines of Dissent of Working with Algorithms Presenter: Emmanuelle Vaast; McGill U. Doubting the Diagnosis: The Role of Ambiguity When Forming Professional Judgments with AI Tools Presenter: Natalia Levina; New York U. Presenter: Sarah Lebovitz; U. of Virginia Presenter: Hila Lifshitz-Assaf; New York U. Organizing in the Age of Organic Machines Presenter: Youngjin Yoo; Case Western Reserve U.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».