Algorithmic Management: Its Implications for Information Systems Research
Notice bibliographique
Résumé
In recent years, the topic of algorithmic management has received increasing attention in information systems (IS) research and beyond. As both emerging platform businesses and established companies rely on artificial intelligence and sophisticated software to automate tasks previously done by managers, important organizational, social, and ethical questions emerge. However, a cross-disciplinary approach to algorithmic management that brings together IS perspectives with other (sub-)disciplines such as macro- and micro-organizational behavior, business ethics, and digital sociology is missing, despite its usefulness for IS research. This article engages in cross-disciplinary agenda setting through an in-depth report of a professional development workshop (PDW) entitled “Algorithmic Management: Toward a Cross-Disciplinary Research Agenda” delivered at the 2021 Academy of Management Annual Meeting. Three leading experts (Mareike Möhlmann, Lindsey Cameron, and Laura Lamers) on the topic provide their insights on the current status of algorithmic management research, how their work contributes to this area, where the field is heading in the future, and what important questions should be answered going forward. These accounts are followed up by insights from the breakout group discussions at the PDW that provided further input. Overall, the experts and workshop participants emphasized that future research should examine both the desirable and undesirable outcomes of algorithmic management and should not shy away from posing ethical and normative questions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,007 | 0,063 |
| Communication savante | 0,017 | 0,031 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».