bRavePy · 管理学文献导读R01 · Predictive Analytics in Information Systems Research
必读 · 第 1、2 课
Shmueli, Galit; Koppius, Otto R. (2011). Predictive Analytics in Information Systems Research. MIS Quarterly, 35(3), 553-572. https://doi.org/10.2307/23042796
出版社 / DOI · 开放阅读入口
- 研究问题：信息系统研究为何不能把模型的解释力直接当作预测力？预测分析怎样为理论研究提供额外证据？
- 方法如何使用：比较解释导向与预测导向的建模流程，梳理IS文献，并把技术接受模型（TAM）的既有研究转化为预测问题；强调在未参与建模的数据上评估预测表现。
- 本课联系：第1讲用于先确定研究任务、预测对象与可用信息，再决定数据切分；第2讲用于区分样本内拟合、显著性与样本外预测指标。可让学生改写自己的博士研究问题，分别提出解释目标和预测目标。
- 建议阅读重点：先看表1中解释与预测建模的比较，再读“Assessing Predictive Power (of Any Empirical Model)”与“Building Predictive Models”。重点追踪：预测时能否获得该特征、如何留出数据、指标是否对应实际预测任务。上述英文节名已核对。
- 讨论：这是方法论论文，文献调查反映当时的IS研究，不能据此推断今天的文献比例；样本外预测成功也不能单独识别因果机制。
- 阅读版本：Erasmus大学机构库提供正式发表版本；出版社页面提供摘要。
R02 · Algorithm Supported Induction for Building Theory: How Can We Use Prediction Models to Theorize?
必读 · 第 1、3 课
Shrestha, Yash Raj; He, Vivianna Fang; Puranam, Phanish; von Krogh, Georg (2021). Algorithm Supported Induction for Building Theory: How Can We Use Prediction Models to Theorize? Organization Science, 32(3), 856-880. https://doi.org/10.1287/orsc.2020.1382
出版社 / DOI · 开放阅读入口
- 研究问题：机器学习发现的可重复模式，怎样成为组织理论建构的起点，并与后续理论检验分开？
- 方法如何使用：提出算法辅助归纳流程：分开模式发现与理论检验样本，在发现样本内用交叉验证和正则化筛选稳健、可理解的关系，再由研究者提出解释及新推论；用随机森林与LASSO的模拟示例展示该流程。
- 本课联系：第1讲连接探索、数据切分和独立检验；第3讲把模型复杂度、正则化与过拟合落实到管理学理论建构。适合讨论：一个模式能预测新样本，与一个解释能产生新的可检验推论，分别需要什么证据？
- 建议阅读重点：精读“A Procedure to Conduct Algorithm-Supported Induction”及表1，再读“Challenges and Opportunities”。重点区分样本外检验与超出原始已发现模式的新推论检验，并检查发现样本内部的交叉验证。上述英文节名已核对。
- 讨论：示例使用模拟数据；稳健关联仍需研究者解释，也不自动解决遗漏变量或因果识别。样本切分主要检验同一总体内的稳定性，跨组织、跨时期迁移仍须额外验证。
- 阅读版本：出版社与ETH机构库提供开放全文（CC BY 4.0）。引用采用2021年正式卷期；在线发表时间为2020年。
R03 · Ghost in the Machine: On Organizational Theory in the Age of Machine Learning
选读 · 第 1、3 课
Leavitt, Keith; Schabram, Kira; Hariharan, Prashanth; Barnes, Christopher M. (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
出版社 / DOI
- 研究问题：机器学习会如何改变组织理论的建构、检验及理论贡献的范围？
- 方法如何使用：概念性论证：讨论监督、强化和无监督学习与研究推理方式的关系，提出用机器学习检验和修剪中层理论，并扩展面向具体问题的局部理论及更广泛理论的空间。
- 本课联系：第1讲帮助学生说明研究贡献为何不止于预测分数；第3讲可在理解模型学习与泛化后，讨论算法发现、理论解释和人类判断各承担什么工作。适合作为跨背景博士生的研讨选读。
- 建议阅读重点：阅读主题（依据摘要，未核对正文节名）：三类机器学习与研究推理的对应关系；对机器学习和组织理论现状的批评；理论修剪及局部理论、宏大理论的互补作用。课堂可要求学生提出一个可检验的具体研究设计来回应这些概念主张。
- 讨论：属于认识论与理论发展的概念论证，不能单凭该文认定某个算法的预测表现或因果解释已获实证支持；本条导读仅依据可核对摘要。
- 阅读版本：本条为摘要导读。全文可通过学校图书馆或出版社获取。
R04 · Retention Futility: Targeting High-Risk Customers Might be Ineffective
选读 · 第 1、2 课
Ascarza, Eva (2018). Retention Futility: Targeting High-Risk Customers Might be Ineffective. Journal of Marketing Research, 55(1), 80-98. https://doi.org/10.1509/jmr.16.0163
出版社 / DOI · 开放阅读入口
- 研究问题：企业应优先挽留最可能流失的客户，还是最可能因挽留措施而改变行为的客户？
- 方法如何使用：结合中东无线服务商与北美会员组织的两个随机现场实验，用uplift随机森林估计干预反应异质性，以LASSO二元回归预测自然流失风险，并在留出样本比较两种客户选择规则的效果。
- 本课联系：第1讲展示如何把管理问题拆成风险预测与干预效果估计两个任务；第2讲连接基准模型、评价目标和决策价值。可让学生解释：即使流失预测准确，为什么仍可能选错挽留对象？
- 建议阅读重点：先读“Selecting Customer Targets”，再读“Validation”下的“Methodology”（尤其数据切分、风险模型与增量效果模型的比较），最后看图2至图4及末尾局限讨论。上述英文小节名已核对；无需初学者推导uplift算法全部细节。
- 讨论：每个情境只有一项留存活动，主要评估一个月内的结果；更长时期、多次干预和时间漂移仍待检验。随机实验提供因果比较基础，不能把纯观察性流失预测直接解释为干预收益。
- 阅读版本：Harvard Business School作者页面提供全文；出版社页面提供摘要。
R05 · Construct Validation Using Computer-Aided Text Analysis (CATA): An Illustration Using Entrepreneurial Orientation
必读 · 第 1、4 课
Short, Jeremy C.; Broberg, J. Christian; Cogliser, Claudia C.; Brigham, Keith H. (2010). Construct Validation Using Computer-Aided Text Analysis (CATA): An Illustration Using Entrepreneurial Orientation. Organizational Research Methods, 13(2), 320-347. https://doi.org/10.1177/1094428109335949
出版社 / DOI
- 研究问题：如何证明计算机辅助文本分析测到的是管理学构念，而不只是某些词语出现的频率？
- 方法如何使用：回顾内容分析研究的效度检验，并以创业导向为例提出文本构念验证程序；摘要明确涵盖内容、外部、区分与预测效度。
- 本课联系：为第4课建立“理论构念—文本指标—效度证据”的评价框架，也适合第1课区分测量工具与理论贡献。
- 建议阅读重点：重点追问：创业导向的理论定义如何约束指标？每一种效度需要什么独立证据？课堂可让学生为自己的文本变量列验证清单。
- 讨论：迁移到新语言、行业及文本类型时，仍须重新验证构念含义。阅读全文时，应结合数据和程序判断每项效度证据是否充分。
- 阅读版本：本条为摘要导读。引用采用2010年正式卷期；在线发表时间为2009年。全文可通过学校图书馆或出版社获取。
R06 · Topic Modeling in Management Research: Rendering New Theory from Textual Data
必读 · 第 4 课
Hannigan, Timothy R.; Haans, Richard F. J.; Vakili, Keyvan; Tchalian, Hovig; Glaser, Vern L.; Wang, Milo Shaoqing; Kaplan, Sarah; Jennings, P. Devereaux (2019). Topic Modeling in Management Research: Rendering New Theory from Textual Data. Academy of Management Annals, 13(2), 586-632. https://doi.org/10.5465/annals.2017.0099
出版社 / DOI · 开放阅读入口
- 研究问题：主题模型如何帮助管理研究形成新构念、关系与机制，而不是止于给词群命名？
- 方法如何使用：理论与方法综述，并用主题模型分析相关研究；将研究过程分为语料构建、主题提取和理论产物形成三个环节。
- 本课联系：作为第4课主轴，把无监督文本模式与管理理论建构连接起来，解释算法结果为何仍需领域知识和反复解释。
- 建议阅读重点：重点读三个环节，以及统计拟合与语义/外部效度的区别；附录展示如何结合模型诊断、原始文本与独立编码。
- 讨论：主题数、语料边界和解释选择会影响结论；较好的模型指标不自动带来有意义的构念，生成关系也不等于识别因果。
- 阅读版本：London Business School机构库提供作者接收稿；引用采用Academy of Management Annals正式发表信息。
R07 · The double-edged sword of recombination in breakthrough innovation
选读 · 第 4 课
Kaplan, Sarah; Vakili, Keyvan (2015). The double-edged sword of recombination in breakthrough innovation. Strategic Management Journal, 36(10), 1435-1457. https://doi.org/10.1002/smj.2294
出版社 / DOI · 开放阅读入口
- 研究问题：远距离知识重组是否同时促进想法的新颖性与其后续经济价值，还是两者需要不同的搜索方式？
- 方法如何使用：对富勒烯及碳纳米管专利摘要做LDA主题建模，经领域专家解释主题，识别主题初现专利，并与专利引用等指标结合检验。
- 本课联系：展示文本测量如何拆分原先混合的“突破性创新”构念，进而修正知识重组理论；适合作为第4课实证拆解。
- 建议阅读重点：重点读新颖性与经济价值的区分、主题初现指标的构造、专家验证和稳健性；讨论换一种测量为何会改变理论判断。
- 讨论：新主题的识别依赖语料选择，未申请专利的想法不可见；专利领域及引用代理变量限制外推，也不能把观察性关联直接解释为因果。
- 阅读版本：作者主页提供接收稿，供个人研究和非商业阅读。引用采用2015年正式卷期；在线发表时间为2014年。
R08 · Enculturation Trajectories: Language, Cultural Adaptation, and Individual Outcomes in Organizations
选读 · 第 1、4 课
Srivastava, Sameer B.; Goldberg, Amir; Manian, V. Govind; Potts, Christopher (2018). Enculturation Trajectories: Language, Cultural Adaptation, and Individual Outcomes in Organizations. Management Science, 64(3), 1348-1364. https://doi.org/10.1287/mnsc.2016.2671
出版社 / DOI · 开放阅读入口
- 研究问题：员工如何逐步适应组织文化？适应的速度与变化轨迹如何关联晋升、主动离职和被动离职？
- 方法如何使用：分析一家科技企业的1024万封内部邮件，用LIWC类别分布的Jensen–Shannon差异衡量语言契合，再结合纵向轨迹和Cox风险模型。
- 本课联系：用组织行为问题演示“文本特征—动态构念—理论检验”；它是文本测量案例，并非监督式机器学习预测基准。
- 建议阅读重点：重点读为何用互动对象而非正式部门定义参照群体、文化契合的操作化，以及动态适应率相对静态契合度增加了什么解释。
- 讨论：单一企业的观察性数据限制因果解释和外推；语言趋同只是文化适应的行为指标。课堂还应讨论员工通信的隐私和研究伦理。
- 阅读版本：Stanford作者页面提供在线先行全文。引用采用2018年正式卷期；在线发表时间为2017年。
R09 · To Explain or to Predict?
必读 · 第 1、2 课
Shmueli, Galit (2010). To Explain or to Predict? Statistical Science, 25(3), 289-310. https://doi.org/10.1214/10-STS330
出版社 / DOI · 开放阅读入口
- 研究问题：为什么解释理论机制与预测新观察值是不同任务？这种差异如何改变数据准备、变量选择与模型评价？
- 方法如何使用：方法论辨析，结合研究实例及偏差—方差分析，逐步比较解释性与预测性建模流程。
- 本课联系：第1课先明确研究目标，再设计留出集及预测时可获得的特征；第2课区分样本内拟合、样本外误差与因果证据。
- 建议阅读重点：重点读第2.2.2节数据划分、第2.4节变量选择、第2.6节验证与评价；用自己的管理问题说明预测时点和评价指标。
- 讨论：这是概念框架而非现代因果机器学习教程；其2010年的方法分类需与后续因果ML文献对读，不能将预测准确直接视为机制识别。
- 阅读版本：开放入口为加州大学伯克利分校教学页面提供的期刊全文。
R10 · Machine Learning: An Applied Econometric Approach
选读 · 第 1、2、4 课
Mullainathan, Sendhil; Spiess, Jann (2017). Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives, 31(2), 87-106. https://doi.org/10.1257/jep.31.2.87
出版社 / DOI · 开放阅读入口
- 研究问题：机器学习擅长的预测任务应如何进入实证研究？为什么预测函数表现好，并不意味着其参数具有可靠的结构或因果解释？
- 方法如何使用：面向应用的综述，以房价预测比较回归、树等方法，解释正则化、交叉验证及预测结果的解释边界。
- 本课联系：第1–2课连接灵活模型、过拟合与验证误差；第4课借助文本和图像转化为可用测量的例子，讨论新数据如何服务管理问题。
- 建议阅读重点：读第89–95页的工作原理与调参、第96–98页的解释问题；再读第99–103页应用，明确自己的研究究竟需要预测值还是参数。
- 讨论：主要提供经济学直觉与实例，不是神经网络实现手册；把文本转成预测变量也不等于已经完成构念效度验证。
- 阅读版本：AEA出版社页面提供免费全文下载。
R11 · Machine Learning Methods That Economists Should Know About
选读 · 第 1、2、3 课
Athey, Susan; Imbens, Guido W. (2019). Machine Learning Methods That Economists Should Know About. Annual Review of Economics, 11(1), 685-725. https://doi.org/10.1146/annurev-economics-080217-053433
出版社 / DOI · 开放阅读入口
- 研究问题：哪些机器学习方法值得进入实证研究工具箱？预测方法如何经适当改造用于处理效应和政策问题？
- 方法如何使用：综述监督与无监督学习、正则化、树和神经网络，并说明因果估计中的正交化、样本划分及交叉拟合。
- 本课联系：第1–2课深化划分数据与选择模型的依据；第3课把神经网络放回方法比较中，并说明灵活预测器参与因果研究仍需识别假设。
- 建议阅读重点：按公开工作论文阅读第2.3–2.4节验证与正则化、第3.3节神经网络；进阶读第6.1–6.3节平均处理效应、正交化与交叉拟合、异质性处理效应。
- 讨论：篇幅长且要求计量基础，宜选段；因果ML不能消除混杂或替代研究设计，工作论文的章节与页码也不应冒充正式刊版。
- 阅读版本：开放入口为作者工作论文，标题、章节和分页与正式刊版有所不同。下列阅读建议按工作论文安排，正式引用采用2019年期刊信息。
R12 · Deep learning
必读 · 第 2、3、4 课
LeCun, Yann; Bengio, Yoshua; Hinton, Geoffrey (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
出版社 / DOI · 开放阅读入口
- 研究问题：多层神经网络如何从原始数据学习表示，反向传播如何使这些表示针对任务目标共同改进？
- 方法如何使用：基础综述，解释监督学习目标、随机梯度下降和反向传播，并介绍卷积、循环网络及分布式表示。
- 本课联系：第2课把损失连到参数更新；第3课借图1理解前向计算与链式法则；第4课理解文本表示学习，同时追问其与理论构念的关系。
- 建议阅读重点：重点读第436–438页及图1：输入、权重、激活、损失、梯度如何相连；文本方向再读分布式表示与循环网络相关段落。
- 讨论：这是2015年的基础图景，不覆盖后来的Transformer与大语言模型；任务表现和隐藏表示本身不能证明管理构念效度或因果机制。
- 阅读版本：开放全文位于作者Hinton的多伦多大学主页。