基于虚拟仿真模拟的人机协同成长框架研究

摘要
图/表
参考文献
相关文章 (0)

全文: PDF (2596 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要 “十四五”时期，数字技术和实体经济深度融合提供了高效的决策支持方案，也为组织管理带来了新的问题和挑战。本文从人工智能作为新技术引入组织的视角，通过虚拟仿真实验模拟人工智能（AI）引入企业组织的动态进程，基于行动设计研究（ADR）方法，从人机信任、人机分工，人机协作、人机共生成长四个方面研究人机协同成长的演化过程与特点，提出了人机协同成长研究框架。研究表明：人机协同成长的关键前提是建立人机信任，关键内容是人与AI的分工与协作，新的AI技术发展会改变人机分工模式和催生AI优化需求，能够不断进行需求重构和多次迭代，有助于形成更高质量的人机协同关系。为了帮助企业完成“数智化”创新与转型，应尽可能通过提高AI的可见性、可解释性和透明度，建立人机信任；注重人机任务分工、人机任务效率和人机信息交互，实现人机协同；解决人机分工矛盾、人机信任危机、人机迭代优化，推动人机成长；最终实现在VUCA情境下人与AI长期协同共生成长的高效敏捷智能组织。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	苟娟琼
	张芳丛
	张小威
	张燕
	汪哲

关键词 ：人机协同, 虚拟仿真平台, 企业数智化, 人工智能, 模拟研究

Abstract：While the deep integration of digital technology and the real economy has provided efficient decision-support solutions during the 14th Five-Year Plan period， it has also brought new problems and challenges to organizational management. From the perspective of introducing artificial intelligence as a new technology into organizations， this paper simulates the dynamic process of introducing artificial intelligence （AI） into enterprise organizations through virtual simulation experiments， and proposes a research framework for human-machine collaborative growth based on the action design research （ADR） method， which compares the evolution process and characteristics of human-machine collaborative growth in four aspects： human-machine trust， human-machine division of labor， human-machine collaboration， and human-machine symbiotic growth. The research shows that the key premise of human-machine collaborative growth is to establish human-machine trust， and the key content is the division of labor and collaboration between human and AI. New AI technology development will change the human-machine division of labor and generate AI optimization demand， which can help form a higher quality human-machine collaborative relationship through continuous demand reconstruction and multiple iterations. In order to help enterprises complete the “digital intelligence” innovation and transformation， we should establish human-machine trust by improving the visibility， interpretability and transparency of AI as much as possible； we should focus on human-machine task division， human-machine task efficiency and human-machine information interaction to realize human-machine collaboration； we should resolve conflicts of human-machine division of labor， human-machine trust crisis and human-machine iteration optimization to promote human-machine collaborative growth； and ultimately an efficient and agile intelligent organization will emerge with long-term synergistic growth of human and AI in the context of VUCA.

Key words： human-machine collaboration virtual simulation platform enterprise digital intelligence artificial intelligence simulation research

收稿日期: 2022-12-08

PACS:

C931

基金资助:国家自然科学基金“基于数据分析的协同网络中场景化行为智能研究”（61972029）；中国国家铁路集团有限公司科技研究开发计划重点课题“基于全域数据联动的铁路运维安全风险防控关键技术研究”（N2021S017）；北京交通大学人才基金项目“基于虚拟仿真平台的个性化专业能力评估研究”（2022XKRCW002）；北京交通大学研究生教育专项资金资助（134001002522）。

通讯作者: 张小威，男，北京交通大学经济管理学院讲师。研究方向：数据驱动决策、大数据分析与商业智能、在线用户行为/决策制定、智慧教育等。E-mail： zhxiaowei@bjtu.edu.cn E-mail: zhxiaowei@bjtu.edu.cn

作者简介: 苟娟琼，女，北京交通大学经济管理学院教授。研究方向：智能协同网络、企业数字化转型、知识协同服务、协同风险预控、信息资源整合、智慧教育等；张芳丛，女，北京交通大学经济管理学院博士研究生。研究方向：智慧教育、数据驱动决策、人机协同组织等；张燕，女，北京交通大学经济管理学院硕士研究生。研究方向：人机协同组织、虚拟仿真系统、数据驱动决策等；汪哲，女，上海四野网络科技有限公司经理。研究方向：虚拟仿真技术在教育中的应用；

引用本文:

苟娟琼, 张芳丛, 张小威, 张燕, 汪哲. 基于虚拟仿真模拟的人机协同成长框架研究[J]. 北京交通大学学报(社会科学版), 2023, 22(3): 50-63. GOU Juan-qiong, ZHANG Fang-cong, ZHANG Xiao-wei, ZHANG Yan, WANG Zhe. Research on Human-Machine Collaborative Growth Framework based on Virtual Simulation. journal6, 2023, 22(3): 50-63.

链接本文:

https://xbsk.bjtu.edu.cn/CN/ 或 https://xbsk.bjtu.edu.cn/CN/Y2023/V22/I3/50

1 陈国青，任明，卫强，等. 数智赋能：信息系统研究的新跃迁［J］. 管理世界， 2022， 38（1）： 180-196.
2 谢小云，左玉涵，胡琼晶. 数字化时代的人力资源管理：基于人与技术交互的视角［J］. 管理世界， 2021， 37（1）： 200-216.
3 张志学，赵曙明，施俊琦，等. 数字经济下组织管理研究的关键科学问题——第254期“双清论坛”学术综述［J］. 中国科学基金， 2021， 35（5）： 774-781.
4 SEIN M K， HENFRIDSSON O， PURAO S， et al. Action design research［J］. MIS Quarterly， 2011，35（2）：37-56.
5 CHOWDHURY S， BUDHWAR P， DEY P K， et al. AI-employee collaboration and business performance： Integrating knowledge-based view， socio-technical systems and organisational socialisation framework［J］. Journal of Business Research， 2022， 144： 31-49.
6 MAKARIUS E E， MUKHERJEE D， FOX J D， et al. Rising with the machines： A sociotechnical framework for bringing artificial intelligence into the organization［J］. Journal of Business Research， 2020， 120： 262-273.
7 HOFF K A， BASHIR M. Trust in automation： Integrating empirical evidence on factors that influence Trust［J］. Human Factors， 2015， 57（3）： 407-434.
8 JACOVI A， MARASOVI? A， MILLER T， et al. Formalizing trust in artificial intelligence： Prerequisites， causes and goals of human trust in AI［C］// Proceedings of the 2021 ACM Conference on Fairness， Accountability， and Transparency. New York： Association for Computing Machinery， 2021： 624-635.
9 MADHAVAN P， WIEGMANN D A. Similarities and differences between human-human and human-automation trust： an integrative review［J］. Theoretical Issues in Ergonomics Science， 2007， 8（4）： 277-301.
10 SCHOORMAN F D， MAYER R C， DAVIS J H. An integrative model of organizational trust： Past， present， and future［J］. Academy of Management Review， 2007， 32（2）： 344-354.
11 WANG W， SIAU K. Artificial intelligence， machine learning， automation， robotics， future of work and future of humanity： A review and research Agenda［J］. Journal of Database Management， 2019， 30（1）： 61-79.
12 LIPTON Z C. The mythos of model interpretability： In machine learning， the concept of interpretability is both important and slippery.［J］. Queue， 2018， 16（3）： 31-57.
13 RIBEIRO M T， SINGH S， GUESTRIN C. “Why should I trust you？”： Explaining the predictions of any classifier［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： Association for Computing Machinery， 2016： 1135-1144.
14 FLORIDI L， COWLS J， BELTRAMETTI M， et al. AI4People—An ethical framework for a good AI society： Opportunities， risks， principles， and recommendations［J］. Minds and Machines， 2018， 28（4）： 689-707.
15 MALONE T W. How human-computer “superminds” are redefining the future of work［J］. MIT Sloan Management Review， 2018， 59： 34-41.
16 HACKMAN J. Why teams don’t work. Interview by Diane Coutu［J］. Harvard business review， 2009， 87（5）： 98-105， 130.
17 SEEBER I， BITTNER E， BRIGGS R O， et al. Machines as teammates： A research agenda on AI in team collaboration［J］. Information & Management， 2020， 57（2）.
18 RUSSELL S J， NORVIG P. Artificial intelligence： A modern approach［J］. New Jersey： Prentice Hall， Englewood Cliffs， 2010.
19 YOU S， ROBERT L. Emotional attachment， performance， and viability in teams collaborating with embodied physical action （EPA） robots［J］. Journal of the Association for Information Systems， 2018， 19（5）.
20 LAKE B M， ULLMAN T D， TENENBAUM J B， et al. Building machines that learn and think like people［J］. Behavioral and Brain Sciences， 2017， 40.
21 PACHIDI S， BERENDS H， FARAJ S， et al. Make way for the algorithms： Symbolic actions and change in a regime of knowing［J］. Organization Science， 2021， 32（1）： 18-41.
22 SERGEEVA A V， FARAJ S， HUYSMAN M. Losing touch： An embodiment perspective on coordination in robotic surgery［J］. Organization Science， 2020， 31（5）： 1248-1271.
23 FARAJ S， PACHIDI S， SAYEGH K. Working and organizing in the age of the learning algorithm［J］. Information and Organization， 2018， 28（1）： 62-70.
24 PETTERSEN L. Why artificial intelligence will not outsmart complex knowledge work［J］. Work， Employment and Society， 2019， 33（6）： 1058-1067.
25 BENBYA H， PACHIDI S， JARVENPAA S. Special issue editorial： Artificial intelligence in organizations： Implications for information systems research［J］. Journal of the Association for Information Systems， 2021， 22（2）.
26 李笑樱，闫寒冰，彭红超. 敏捷课程开发：VUCA时代课程开发新趋向［J］. 电化教育研究， 2021， 42（5）： 86-93.
27 JARRAHI M H. Artificial intelligence and the future of work： Human-AI symbiosis in organizational decision making［J］. Business Horizons， 2018， 61（4）： 577-586.
28 DANE E， ROCKMANN K W， PRATT M G. When should I trust my gut？ Linking domain expertise to intuitive decision-making effectiveness［J］. Organizational Behavior and Human Decision Processes， 2012， 119（2）： 187-194.
29 PARRY K， COHEN M， BHATTACHARYA S. Rise of the machines： A critical consideration of automated leadership decision making in organizations［J］. Group & Organization Management， 2016， 41（5）： 571-594.
30 ZHOU L， PAUL S， DEMIRKAN H， et al. Intelligence augmentation： Towards building Human-Machine symbiotic relationship［J］. AIS Transactions on Human-Computer Interaction， 2021， 13（2）： 243-264.
31 SHIRADO H， CHRISTAKIS N A. Locally noisy autonomous agents improve global human coordination in network experiments［J］. Nature， 2017， 545（7654）： 370-374.
32 王昊奋，漆桂林，陈华钧. 知识图谱：方法、实践与应用［M］. 北京：电子工业出版社， 2019.
33 张铃，张钹.基于商空间的问题求解：粒度计算的理论基础［M］. 北京：清华大学出版社，2014.
34 戚聿东，肖旭. 数字经济时代的企业管理变革［J］. 管理世界， 2020， 36（6）： 135-152.
35 WILSON H J， DAUGHERTY P. Collaborative intelligence： Humans and AI are joining Forces［J］. Harvard Business Review， 2018， 96（4）.
36 DESOUZA K C， DAWSON G S， CHENOK D. Designing， developing， and deploying artificial intelligence systems： Lessons from and for the public sector［J］. Business Horizons， 2020， 63（2）： 205-213.
37 LAURAS M， TRUPTIL S， BéNABEN F. Towards a better management of complex emergencies through crisis management meta-modelling［J］. Disasters， 2015， 39（4）： 687-714.
38 BENABEN F， MONTREUIL B， GOU J， et al. A tentative framework for risk and opportunity detection in a collaborative environment based on data interpretation［EB/OL］. （2019-01-08）［2022-11-10］.http：//hdl.handle.net/10125/59742.
39 MüLLER V C， BOSTROM N. Future progress in artificial intelligence： A survey of expert opinion［M］// MüLLER V C. Fundamental Issues of Artificial Intelligence. Berlin： Springer， 2016： 553-571.