引言

 

机器学习（Machine Learning）是人工智能的一个分支，指计算机程序应用算法和统计模型在数据中构造复杂的推理模式。如今，许多公司都在商业领域应用机器学习进行效率的提升。作为一种研究工具，机器学习十分擅长管理的核心功能：预测变化幅度。使用机器学习，预测精度可以被大幅度提升。基于如此广阔的前景，有人甚至预言理论会被淘汰，而数据自身就可以自由表达理论。然而，机器学习有一个明显的局限性，就是较差的可解释性。通常机器学习并不能解释其生成的模式出现的原因。因此本文认为机器学习既不是对学界的威胁也不能替代组织理论的可解释性，而是可以与理论适配，在知识的产生方面起催化的作用。

 

本文首先概述了机器学习的三种形式（监督、强化和无监督），并将其转化为常见的研究模式（演绎、溯因和归纳）。接下来，本文说明了机器学习和理论不是竞争关系，而是可以发挥互补作用。在最后一节，本文讨论了机器学习可以作为一种工具来测试和精简中层理论（Midrange Theory），并作为一种“催化剂”来扩大理论的解释范围。

 

概念背景

 

机器学习依赖算法模式和推理，可以迅速迭代模型，比较多个预测组合，识别出数据中可能被忽视的关联。比起科学家使用先验的、理论上的假设，机器学习可以超越理论驱动的预测，挖掘出前所未有的一些发现。

 

机器学习可以被分为有监督学习、无监督学习和强化学习。有监督学习是最基本的机器学习类型，目标是在输入输出数据间建立函数，通常用于解决分类和回归问题。强化学习和有监督学习有相同的目标，但是强化学习可以通过接受反馈进行学习，并获得“惩罚”或“奖励”。这使强化学习对意外结果具有更高的容忍度。有监督学习与演绎相似，它们都利用重复观察的模式来推断变量之间的关系。强化学习与溯因相仿，两者都涉及从一种反常现象到一种解释的过程。无监督学习与前两者不同，只依赖输入数据。它在数据没有特定标记的情况下，独立探索数据的模式和结构。无监督学习常常用于归纳的目的。无监督学习可以应用于聚类和降维，这反映了归纳的本质。

 

将机器学习用于理论的挑战

 

（1）机器学习应用的局限性

 

1. 描述和预测胜过解释和控制

 

大多数机器学习模型可以很好地满足预测的要求，但不能满足模型内关系的解释潜力的标准。这标准包括（1）关于分析对象的假设的具体性，（2）关于前因后果之间关系性质的具体性，以及（3）模型的范围。机器学习的结果虽然精准，但是难以解释，并且得出的关联可能在不同背景和时间下难以继续成立。

 

2. 以简单性为代价的准确性

 

机器学习，特别是无监督学习，找到的方案是最准确的，而不是最简明的。这让模型难以被理解。此外模型还会存在过拟合的问题。当模型应用于新数据或新环境时，预测的准确性可能很低。

 

（2）管理学研究中的问题

 

1. 研究中的孤岛和围墙

    

现有的组织科学研究固化，过度的专业化和标准化导致一些理论思想只是针对使用相同数据和范式做研究的小型研究圈子，不同的范式在解释现象时既没有联系也没有竞争，这助长了理论建构的冗余。

 

2. 过度增长未经检验的理论

 

研究者将研究注意力集中于哪里也十分关键。第一，以往的理论基本未受质疑，而目前的研究往往针对现有文献的研究不足，没有挑战现有有影响力的理论；第二，目前的研究构建了太多不相关的中层理论（Midrange Theory），很多理论没有后续，没有批判性分析；第三，目前学者过度考虑发展理论发展，忽视理论检验。

 

（3）理论与机器学习的结合

 

有鉴于机器学习和理论研究的优势和不足，机器学习和理论可以发挥协同作用，机器学习和组织理论之间的两个有希望的交叉点：一是测试和精简现有的中层理论，二是扩大理论的解释范围，使其超出中层理论的范畴。

 

机器学习应用于测试和精简现有理论的力量

 

机器学习为精简目前积压的大量未经测试的理论提供了巨大的可能性。由于其对复杂因素的出色预测能力，机器学习对测试边界条件、调节变量和拐点特别有效。机器学习还可以在新颖且更加丰富的数据类型上测试理论。它可以处理高维数据，甚至可以处理图像和语言数据。这样，我们可以更精确地确定复杂结构之间的理论关系。

 

此外，机器学习可以帮助理论家评估理论的正确性和完整性。机器学习可以帮助建立一个可达到的最佳预测水平的基准，满足通过“我们所能设计的最严厉的测试”来进行验证的要求。最后，机器学习本身也可以产生有助于理论测试过程的工具。

 

机器学习应用于扩展理论解释范围的力量

 

机器学习可以扩展理论传统的范围，使理论更加聚焦或更加宏大。

 

（1）让理论更加聚焦

 

在组织管理领域，评价理论的标准不是它如何准确地发现一个绝对真理，而是它如何有效地预测紧迫的现象，因此将理论变得更聚焦也符合实用主义的观点。机器学习不仅可以在理论中建立背景，而且可以围绕背景建立理论。机器学习设计从根本上改变了研究的成本，并使复杂的、聚焦的理论工作变得可行。目前，很多学者们不愿从事局部理论研究，因为他们希望留下更为宏大的贡献。但是，我们需要注意到对于局部理论的研究可以及时提供理论见解，对许多利益相关者具有实践意义。因此对于这个问题，还需要在组织科学领域考虑论文出版决策的激励结构，鼓励对局部理论的研究。同样，研究者也可以将局部理论研究视为一个训练自己算法的机会。

 

机器学习可以提高精度。它可以识别群体数据的边界，在竞争性理论的解释之间进行竞争性测试，并提高理论的精度。机器学习还可以探索未被研究的领域。局部理论可以研究目前被边缘化的组织成员经历，也有利于回答地理意义上的地方性问题。很多问题在时间和空间上都很局限，但是很有研究价值。机器学习可以建立回答紧迫问题的理论，尽管这些问题可能是暂时性的和有空间局限的。

 

（2）让理论更加宏大

 

机器学习可以帮助推进宏大的理论，让我们拥有更少但更丰富的理论。本文强调了几种理论可以利用机器学习的优势来实现目标的方式。

 

一是阐释一般与具体。大多数学者都了解到非代表性和非随机性样本存在的局限性。而机器学习可以被用来区分那些普遍的适用于任何环境的东西和高度特异性的预设。二是明确时间关系和发展过程。现有组织学研究对动态关系和时间作用的检验并不充分。机器学习更好地阐释所调查的现象是如何展开的以及所涉及的时间框架，而且可以说明理论发生变化甚至无效的条件。

 

宏大理论在组织研究中可以发挥的四种作用，弥合我们领域目前存在的一些壁垒。首先，宏大理论可以作为炉灶，将学术研究的不同利益相关者聚集起来。宏大理论可以作为不同学科学者的交汇点，为学者们提供了一个讨论的场合，而机器学习进行的大数据分析也可以引起企业从业者的沟通兴趣。有监督的机器学习特别适合产生作为炉灶的宏大理论，因为它寻求最可能的解决方案，从而促使追求特定问题的学者和从业者合作。

 

其次，宏大理论可以作为时代潮流。在研究中，很多理论随着时间推移被证明是不正确的，或者是片面的。机器学习可以被用来研究研究领域课题的轨迹和动态，可以帮助学者们意识到：因支撑该理论的社会结构的改变，一个宏大理论已经走到了尽头。此外，机器学习中有监督学习和强化学习可以利用大量的非结构化数据，以识别不同时期的研究文献和流行媒介中的高阶主题，无监督学习则可以发现被学者忽视的假设。

 

其次，宏大理论可以作为隐喻。理论不仅仅可以是隐喻的对象，也可以是隐喻的主体。当具体的理论作为隐喻时，它们会激发新的洞察力，并允许跨领域的传播。在学术研究中，学者常常使用一些隐喻来进行类比，运用对一个领域的关系的理解，在另一个看似不相关的新领域中产生解决方案。机器学习可以发现特定的意义模式，为理论隐喻增加足够的精确性，并允许学者们比较和对比各领域，以建立真正的隐喻适合程度，提供有价值的隐喻。

 

最后，宏大理论可以作为长期而大胆的目标。“登月计划”一直被用来描述长期而大胆的目标。发现的革命需要一段科学危机来激励产生这样的“登月计划”。20世纪，正是一些对反常问题的探索导致了行为主义的诞生。机器学习可以帮助我们发现这样的目标。无监督学习对意外结果的容忍度很高，可能会有助于引导促成一些激进的发现。

 

结论

 

机器学习的发展和成熟可能会导致我们对理论和学科知识的思考方式发生不可预知的变化。在本文中，我们概述了在我们常见的研究模式（演绎、溯因和归纳）中机器学习创造的机会。学者们可以利用机器学习帮助他们更好地测试和精简中层理论，也可以利用机器学习为迫切的问题做出具体的解释。最后，机器学习可以让他们对理论有一个更宏大的看法，专注于那些能产生更有凝聚力的知识体系的理论。

 

但是，机器学习的可用性不可避免地增加了误用和滥用的风险。学者们如果不仔细研究比较现有的理论，可能会在研究中无意中引入一个重复的因素。因此，理论家在采用这些新工具时要深思熟虑，并审慎地将机器学习与理论串联起来。此外，组织科学领域的激励机制也需要做出改变，应该鼓励学者使用更多自然的、多学科的数据。理论在组织科学中始终有一个宝贵的位置，但是我们通过整合理论与新的工具可以产生更大的价值。

 

参考文献: 

Leavitt, K., Schabram, K., Hariharan, P., & Barnes, C. (2021). Ghost in the Machine: On Organizational Theory in the Age of Machine Learning. Academy of Management Review, 46(4), 750–777. https://doi.org/10.5465/amr.2019.0247  

 

 

 

 

*文章来源：唧唧堂

*侵权必删