AI Integration Methodology: Does One Size Fit All?
Notice bibliographique
Résumé
The rapid evolution of Generative AI is reshaping the Information Systems (IS) landscape, transforming how organizations retrieve knowledge, support decision-making, and co-create value. Yet for many educators and practitioners, a clear, actionable methodology for integrating this powerful technology into enterprise or academic environments remains elusive. This Professional Development Symposium introduces and discusses a structured, human-centered approach to AI deployment that emphasizes mutual trust and coordinated action in complex, dynamic contexts. This session will appeal to a broad AMCIS audience, including researchers, educators, and practitioners engaged in digital transformation, IS curriculum development, AI ethics, and socio-technical systems. It is particularly relevant to multiple SIGs, such as SIGOSRA, SIGED, SIGAI, and SIGGreen, and seeks to foster interdisciplinary dialogue on how best to prepare both learners and organizations for the AI era. Through a combination of conceptual framing, real-world case studies, and interactive activities, participants will explore the flexibility and relevance of this methodology across diverse educational and organizational settings. By encouraging an open exchange of experiences and perspectives, this PDS aims to deliver immediate pedagogical value and cultivate long-term collaboration. The session culminates in a critical conversation on the provocative question: Does one size fit all in AI integration?
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 | 0,166 | 0,206 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,008 | 0,042 |
| Communication savante | 0,018 | 0,046 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».