How Does Big Data Analytics Shape Human Heuristics Adaptation in Strategic Decision-Making? A Perspective of Environmental Uncertainty Contingencies
Notice bibliographique
Résumé
As big data analytics (BDA) has increasingly influenced strategic decision-making, researchers and practitioners are continuously debating the roles of humans versus machines in making decisions. Our multiple-case analysis examines how BDA shapes decision makers’ adaptation of heuristics in response to different dimensions of environmental uncertainty (i.e., complexity versus dynamism). Contrary to prior literature that suggests that BDA supplants human heuristics or impedes humans from adapting their heuristics, our findings underscore that BDA shapes the adaptation of heuristics through three distinct modes: alternative-reorienting, cue-patching, and relation-conditioning. Specifically, BDA shapes heuristics adaptation through the hybrid mode of cue-patching and relation-conditioning when environmental complexity is high and through the alternative-reorienting mode when environmental dynamism is high. However, when environmental complexity and dynamism are both high, the uncertainty in the environment may render BDA less effective, and substantial business acumen is required to adapt heuristics further. In addition, our findings reveal a pinning mechanism of BDA—that is, by keeping one component of human heuristics unchanged, a fixed point of comparison is created for evaluating the changes to other components of the heuristics. This study contributes to the literature by theorizing how BDA shapes heuristics adaptation and adds value to strategic decision-making in uncertain environments.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,004 |
| 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 ».