Big Data, Proxies, Algorithmic Decision‐Making and the Future of Management Theory
Notice bibliographique
Résumé
Abstract The future of theory in the age of big data and algorithms is a frequent topic in management research. However, with corporate ownership of big data and data processing capabilities designed for profit generation increasing rapidly, we witness a shift from scientific to ‘corporate empiricism’. Building on this debate, our ‘Point’ essay argues that theorizing in management research is at risk now . Unlike the ‘Counterpoint’ article, which portrays a bright future for management theory given available technological opportunities, we are concerned about management researchers increasingly ‘borrowing’ data from the corporate realm (e.g., Google et al.) to build or test theory. Our objection is that this data borrowing can harm scientific theorizing due to how scaling effects, proxy measures and algorithmic decision‐making performatively combine to undermine the scientific validity of theories. This undermining occurs through reducing scientific explanations, while technology shapes theory and reality in a profit‐predicting rather than in a truth‐seeking manner. Our essay has meta‐theoretical implications for management theory per se, as well as for political debates concerning the jurisdiction and legitimacy of knowledge claims in management research. Practically, these implications connect to debates on scientific responsibilities of researchers.
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 | 0,035 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,051 |
| Communication savante | 0,016 | 0,019 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».