GUT-IS: A Data-Driven Approach to Integrating Constructs and Their Relations in Information Systems
本文介绍了 GUT-IS，这是一种数据驱动的方法，通过将文本嵌入与聚类相结合并引入损失函数来显式平衡语义纯度与简约性，从而整合信息系统研究中不一致的结构方程模型，进而支持在不同优先级下对构念分组进行分析。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象信息系统（IS）研究领域是一座庞大而混乱的图书馆。多年来，成千上万的研究者撰写了关于人们如何使用技术的书籍（研究）。在这些书中，他们发明了各种“概念”（如“用户满意度”或“系统信任”）来解释正在发生的事情。
问题出在哪里？这是一团乱麻。一位研究者可能将某个概念称为“数字信心”，而另一位研究者则将完全相同的事物称为“技术自我效能感”。反之，两位研究者可能用同一个名称来指代两个截然不同的想法。这就像一座图书馆，同一本书被归入三个不同的标题下，而三本不同的书却被归入同一个标题下。这使得构建对该领域清晰、累积性的理解变得几乎不可能。
本文介绍了GUT-IS（信息系统宏大统一理论），这是一种旨在清理这座图书馆并将书籍组织成连贯系统的新工具。
以下是 GUT-IS 的工作原理，分解为简单步骤：
1. “智能图书管理员”（数据清洗）
首先，系统获取一份包含这些混乱概念的巨大清单。其中许多概念的定义简短、模糊或存在拼写错误。
- 类比：想象一位图书管理员使用超级智能的 AI 助手（大型语言模型）来阅读每一本书。AI 将混乱的标题和模糊的描述重写为清晰、标准的英文。如果缺少定义，AI 会根据书籍的上下文编写一个新的定义。现在，每个概念都有了清晰、可读的标签。
2. “相似度检测器”（嵌入）
接下来，系统需要找出哪些概念实际上是相同的。
- 类比：AI 不仅仅寻找完全匹配的词（如“满意度”与“满意度”）。它使用“语义雷达”（文本嵌入）来理解词语背后的含义。它了解到“对系统感觉良好”和“对软件感到满意”本质上是同一回事，即使词语不同。
- 转折：研究人员并没有仅仅使用通用的雷达；他们专门为这座图书馆训练了一个轻量级的“适配器”。这使得系统能够发现通用工具会忽略的细微相似之处，而无需数百万个示例来学习。
3. “分组游戏”（聚类）
既然系统已经知道每个概念与其他概念的相似程度，它便尝试将它们分组。
- 类比：想象你有一张巨大的网，由连接所有书籍的绳子组成。有些绳子很粗（非常相似），有些很细（有些相似）。目标是剪断细绳，将粗绳捆绑成堆。
- 问题：如果你剪断太多绳子，最终会得到一堆混杂在一起的东西（过于简单）。如果你剪断得太少，最终会得到成千上万个小堆（过于混乱）。
4. “调节旋钮”（权衡）
这是本文最重要的部分。研究人员意识到，对这些概念进行分组并没有唯一完美的方法。
- 类比：想象一个收音机调谐器，有两个设置：简约性（Simplicity）和纯粹性（Accuracy）。
- 简约性希望将所有内容合并为少数几个大组，以保持简洁。
- 纯粹性希望保持组别非常具体，以免任何事物被混淆。
- 创新：GUT-IS 为研究人员提供了一个“旋钮”（一个名为 的参数），可以前后滑动。
- 如果你向简约性滑动，系统会合并更多概念，创建一个更清晰、更广泛的地图。
- 如果你向纯粹性滑动，系统会将概念保持分离，创建一个详细、复杂的地图。
- 系统会计算每个可能设置的“分数”，向你展示你在简约性上获得了多少，而在准确性上损失了多少（反之亦然）。
5. 结果
研究人员在信息系统领域的两个真实数据集上测试了这种方法。
- 他们发现，与之前的工具相比，他们的方法在识别相似概念方面表现更好。
- 他们表明，通过转动“旋钮”，你可以看到该领域的地图如何变化。你可以选择“简约视图”以获得高层概览，或选择“详细视图”以进行深入分析。
总结
GUT-IS 是一个数据驱动的管道，它接收混乱的研究概念集合，利用 AI 对其进行清理，找出它们之间的相互关系，然后让研究人员选择如何对它们进行分组。它将一种混乱的、依靠“猜测”哪些概念是相同的的手工过程，转变为一个清晰、可调节的过程，你可以决定自己对领域的理解需要多么简单或多么详细。
它不是什么：
本文并不声称该工具可以预测人类行为、诊断技术故障或用于临床环境。它严格来说是一个用于组织和理解研究文献的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。