Topic Modelling of Management Research Assertions to Develop Insights on the Role of Artificial Intelligence in Enhancing the Value Propositions of New Companies
Notice bibliographique
Résumé
The article suggests a Value Proposition (VP) framework that enables the analysis of the beneficial impact of Artificial Intelligence (AI) resources and capabilities on specific VP development activities. To develop such a framework, we examined existing management research publications to identify and extract assertions that could be used as a source of actionable insights for new growth-oriented companies. The extracted assertions were assembled into a corpus of texts that were subjected to topic modelling analysis – a machine learning approach to natural language processing that is used to identify latent themes in large corpora of text documents. The topic modeling resulted in the identification of seven topics. Each topic is defined by a set of most frequent words co-occurring in a distinctive subset of texts that could be interpreted in terms of activities constituting the core elements of the VP framework. We then examined each activity in terms of its potential to be enhanced by employing AI resources and capabilities. The interpretation of the topic modeling results led to the identification of seven topics: 1) Value created; 2) Stakeholder value propositions; 3) Foreign market entry; 4) Customer base; 5) Continuous improvement; 6) cross-border operations; and 7) Company image. The uniqueness of the adopted topic modeling approach consists in the quality of the assertions and the interpretation of the seven topics as an activity framework, i.e. in its capacity to generate actionable insights for practitioners. The additional analysis suggests that there is a potential for AI to enhance emerging the four core elements of the VP framework: Value created, Stakeholder value propositions, Foreign market entry, and Customer base. More importantly, we found that the greatest number of assertions related to activities that could be enhanced by AI are part of the Customer base topic, i.e., the topic that is most directly related to the growth potential of the companies. In addition, the VP framework suggests that a company’s customer base growth is continuously enhanced through a positive loop enabled by activities focused on the Continuous improvement of the activities and the amount of Value created, the alignment of Stakeholder value propositions, and companies’ Foreign market entry. Thus, Foreign market entry appears as a factor that helps in understanding the beneficial impact of AI on the VP development of new growth-oriented companies.
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 | 0,021 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».