مقاله انگلیسی با ترجمه تحلیل کلان‌داده و هوش مصنوعی از طریق یادگیری سازمانی: دیدگاه‌های نظریه نهادی و دیدگاه مبتنی بر دانش (KBV)

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی خرید ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

تحلیل کلان‌داده و هوش مصنوعی از طریق یادگیری سازمانی: دیدگاه‌های نظریه نهادی و دیدگاه مبتنی بر دانش (KBV)

عنوان انگلیسی:

Big data analytics-AI Performance Through Organizational Learning: Institutional Theory and KBV perspectives

کد محصول: M2133

سال نشر: 2026

نام ناشر (پایگاه داده): SSRN

نام مجله:SSRN

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 13 صفحه PDF

تعداد صفحه ترجمه فارسی:   29 صفحه WORD

قیمت فایل ترجمه شده:  139000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

در سال‌های اخیر، تحلیل کلان‌داده و هوش مصنوعی (BDA-AI) توجهات چشمگیری را از سوی دانشگاهیان و متخصصان عملی به خود جلب کرده‌اند. در حالی که BDA-AI به دلیل نقش آن در توسعه قابلیت‌ها و ارزش آفرینی شناخته شده است، تنها ۱۰ درصد از شرکت‌ها به دستاوردهای مالی قابل‌توجه دست می‌یابند، که اغلب از طریق ادغام هوش مصنوعی در یادگیری سازمانی حاصل می‌شود. با این حال، فشارهای بیرونی، یادگیری سازمانی و ظرفیت استعدادهای تحلیلی در ارتباط با عملکرد سازمانی همچنان کمتر مورد بررسی قرار گرفته‌اند، به‌ویژه در خصوص تأثیرات بیرونی (رقابت صنعت و فرهنگ داده‌محور). این مطالعه این شکاف را با بررسی موارد زیر برطرف می‌کند: (1) اینکه فشار رقابتی و فرهنگ داده‌محور چگونه از طریق یادگیری سازمانی مبتنی بر BDA-AI  بر عملکرد شرکت تأثیر می‌گذارند؛ و (2) اینکه آیا ظرفیت استعدادهای تحلیلی این ارتباط را تعدیل می‌کند یا خیر. این پژوهش با استفاده از نظریه نهادی و دیدگاه مبتنی بر دانش (KBV)، به درک چگونگی توسعه قابلیت یادگیری سازمانی قوی برای عملکرد سازمانی در شرکت‌های پذیرنده BDA-AI کمک می‌کند.
کلیدواژه‌ها: نظریه نو نهادی ، تحلیل کلان‌داده و هوش مصنوعی، یادگیری سازمانی، دیدگاه مبتنی بر دانش (KBV)، عملکرد شرکت

Abstract: In recent years, big data analytics and artificial intelligence (BDA-AI) have gained significant attention from both academics and practitioners. While BDA-AI has been recognized for its role in capability development and value creation, only 10% of companies achieve substantial financial gains—often by integrating AI into organizational learning. However, the external forces, organizational learning, analytics talent capability to organization performance remain underexplored, particularly regarding external (industry competition and data-driven culture) influences. This study addresses this gap by investigating: (1) how competitive pressure and data-driven culture impact firm performance through BDA-AI organizational learning and; (2) whether analytics talent capability moderates this link. Using institutional theory, and knowledge-based view (KBV), this research contributes to understanding how BDA-AI adopting firms develop strong organizational learning capability for organizational performance.

Keywords: New institutional theory, big data analytics and AI, organisational learning, knowledge-based view (KBV), firm performance

مقدمه

در اجلاس اقدام هوش مصنوعی در پاریس، فرانسه در ۱۱ فوریه ۲۰۲۵، رئیس کمیسیون اتحادیه اروپا، Ursula von der Leyen، اعلام کرد که سرمایه‌گذاری ۲۰۰ میلیارد یورویی اتحادیه اروپا در حوزه هوش مصنوعی، نشان‌دهنده افزایش شدید تقاضا برای استعدادهای هوش مصنوعی و تحلیل داده است؛ زیرا اروپا در تلاش است جایگاه خود را در رقابت جهانی تقویت کند (کافی، ۲۰۲۵). ادغام روزافزون هوش مصنوعی در فرایندهای شرکت‌ها، نیاز بیشتری به استعدادهای تحلیلی برای تفسیر و بهره‌برداری مؤثر از بینش‌های تولیدشده توسط هوش مصنوعی در تصمیم‌گیری‌های کسب‌وکار ایجاد کرده است (نوتالاپاتی، ۲۰۲۴). انتظار می‌رود کسب‌وکار تحلیل داده در سراسر جهان بین سال‌های ۲۰۲۴ تا ۲۰۳۲ با نرخ رشد مرکب سالانه (CAGR) برابر با ۱۴٫۹ درصد توسعه یابد و تا سال ۲۰۳۲ به ۱٫۰۸۸ تریلیون دلار برسد. این افزایش نشان‌دهنده چشم‌اندازهای بلندمدت رو به رشد برای تخصص‌های تحلیلی در محیط کاری در حال تحول است (سیمون و بلانچارد، ۲۰۲۴)…

Introduction AI Action Summit in Paris, France on 11 February 2025, the EU Commission President Ursula von der Leyen announced that the EU’s €200 billion AI investment underscores a surging demand for AI and analytics talent, as Europe aims to strengthen its position in the global competition (Coffey, 2025). The growing integration of AI into company processes has created a greater need for analytics talents in interpreting and leveraging AI-generated insights effectively for business decision making (Nuthalapati, 2024). The worldwide analytics business is expected to develop at a 14.9% compound annual growth rate (CAGR) between 2024 and 2032, reaching $1.088 trillion by 2032. This increase implies the long-term growing prospects for analytics expertise in the changing work landscape (Simone and Blanchard, 2024)…

مبانی نظری

نظریه نهادی (دی‌ماجیو و پاول، ۱۹۸۳) بیان می‌کند که شرکت‌ها تمایل دارند از رقبای موفق یاد بگیرند و برای حفظ جایگاه خود در بازار، راهبردهای مشابهی را اتخاذ کنند؛ زیرا فشار رقابتی یکی از محرک‌های اصلی این رفتار است. پائووه و بوسلی (۲۰۰۳) اظهار می‌کنند که نظریه نهادی می‌تواند به توضیح رفتار سازمانی کسب‌وکارها از منظر منابع انسانی در واکنش به فشارهای رقابتی رسمی یا اطلاعاتی درون صنعت کمک کند و اینکه شرکت ممکن است در پاسخ به روندهای نوظهور یا عدم‌قطعیت‌ها، اقدامات رقبا را تقلید کند. در محیط کسب‌وکارِ به‌سرعت در حال تحول، شرکت‌ها به‌طور فزاینده‌ای از تحلیل کلان‌داده و هوش مصنوعی (BDA-AI) برای کشف فرصت‌های جدید و حفظ رقابت‌پذیری استفاده می‌کنند (دوبی و همکاران، ۲۰۲۰؛ فوسو وامبا و همکاران، ۲۰۲۳). ازاین‌رو، این مطالعه نظریه نهادی را به‌عنوان یک لنز نظری برای هدایت طراحی مدل پژوهش به کار می‌گیرد که شامل یک محرک بیرونی (فشار رقابتی) و یک محرک درونی (فرهنگ داده‌محور) در مدل است و این فرض را مطرح می‌کند که شرکت‌های پذیرنده BDA-AI  ممکن است در پاسخ به این نیروها، قابلیت‌های یادگیری سازمانی را توسعه دهند. علاوه بر این، این مطالعه از دیدگاه مبتنی بر دانش (KBV) نیز برای بررسی ارتباط میان یادگیری سازمانی، قابلیت استعدادهای تحلیلی و عملکرد سازمانی استفاده می‌کند. زیرا همان‌گونه که دیدگاه مبتنی بر دانش (KBV) مطرح می‌کند، دانش مهم‌ترین منبع راهبردی برای دستیابی به مزیت رقابتی است (گرنت، ۱۹۹۶). ما از پیش آگاهیم که ظرفیت یادگیری سازمانی برای حفظ مزیت رقابتی و ارتقای منابع دانشی شرکت‌ها حیاتی است (افشاری و هادیان‌نسب، ۲۰۲۱)، و بنابراین یک منبع راهبردی برای عملکرد سازمانی محسوب می‌شود. ازاین‌رو، ما معتقدیم استفاده از KBV به‌عنوان یک لنز نظری برای بررسی چگونگی تأثیر یادگیری سازمانی بر عملکرد سازمانی و همچنین تأثیر قابلیت‌های تحلیلی، مناسب است…

Theoretical foundation Institutional theory (DiMaggio and Powell, 1983) suggests that firms tend to learn from successful competitors, adopting similar strategies to remain relevant in the market, as competitive pressure is s a key driver of this behaviour. Paauwe and Boselie (2003) assert that institutional theory could help explain a business’s organizational behaviour in the human resource perspective in reaction to formal or informational competitive pressures within its industry and that the firm may emulate competitors’ actions in response to emerging trends or uncertainties. In the rapidly evolving business landscape, firms are increasingly big data analytics and artificial intelligence (BDA-AI) to unlock new opportunities and maintain competitiveness (Dubey et al., 2020; Fosso Wamba et al., 2023). Thus, this study adopt institutional theory as a lens to guide our research model design, which includes external driver (competitive pressure) and international driver (data-driven culture) in the model and hypothesise that BDA-AI adopting firm may response to these forces by organisational learning capabilities. In addition, this study also adopts knowledge-based view (KBV) to examine the link between organisation learning, analytics talent capability and organisation performance. Because, as the knowledge-based view (KBV) posits, knowledge is the most strategically significant resource for competitive advantage (Grant, 1996). We are already aware that the capacity for organisational learning is critical for businesses to keep their competitive edge and enhance their knowledge resources (Afsharia and Hadian Nasab, 2021), thus is a strategic resource for organisation performance. Thus, we think it is proper to use KBV as a lens to examine how organisational learning impacts organisation performance and the impact of analytics capability…

فرضیه‌ها

H1: فرهنگ داده‌محور (DDC) تأثیر مثبت و معناداری بر عملکرد سازمانی (OP) دارد.
H2: فرهنگ داده‌محور (DDC) تأثیر مثبت و معناداری بر یادگیری سازمانی (OL) دارد.
H3: یادگیری سازمانی (OL) تأثیر مثبت و معناداری بر عملکرد سازمانی (OP) دارد.
H4: فشار رقابتی (CP) تأثیر مثبت و معناداری بر یادگیری سازمانی (OL) خواهد داشت.
H5: قابلیت تحلیل‌گری (CP) بر رابطه میان یادگیری سازمانی (OL) و عملکرد سازمانی (OP) اثر تعدیل‌کننده خواهد داشت.

H1: Data-driven culture (DDC) has a positive and significant impact on organisation performance (OP)
H2: Data-driven culture (DDC) has a positive and significant on organisational learning (OL)
H3: Organisational learning (OL). has a positive and significant on organisation performance (OP)
H4: Competitive pressure (CP) will have a positive and significant impact on organisational learning (OL)
H5: Analytics (CP) will have a moderating impact on the link between organisational learning (OL) and organisation performance (OP).

گردآوری داده‌ها

این پژوهش از یک روش‌شناسی مبتنی بر پیمایش استفاده کرده است (فوسو وامبا و همکاران، ۲۰۲۳) که بر سازمان‌هایی تمرکز دارد که تحلیل کلان‌داده مبتنی بر هوش مصنوعی (BDA-AI) را پیاده‌سازی کرده‌اند. پژوهش بر مدیران، رهبران فناوری اطلاعات و تصمیم‌گیرندگان در بخش‌های غیر فناوری اطلاعات که مسئول ابتکارات BDA-AI هستند تمرکز دارد، زیرا آن‌ها بینش‌های ارزشمندی درباره پرسش‌های این پژوهش ارائه می‌کنند. نمایندگی صنایع مختلف، از جمله تولید، خرده‌فروشی، مالی و مراقبت‌های سلامت، از طریق رویکرد نمونه‌گیری تصادفی تضمین شده است. این پیمایش با استفاده از  SurveyStarکه یک مؤسسه پژوهشی دارای یکی از بزرگ‌ترین پایگاه‌های داده پنلی در چین است، از طریق یک بستر نظرسنجی آنلاین انجام شد. حجم نمونه نهایی شامل ۴۰۸ پاسخ بود که مطابق با «قاعده ۱۰ برابر» (هیر و همکاران، ۲۰۱۷) و بیش از حداقل ۲۵۰ نمونه موردنیاز (هیر و همکاران، ۲۰۱۴) است و با مطالعات پیشین همخوانی دارد (اوه و هان، ۲۰۲۰). فرضیه‌های پیشنهادی آزمون شدند و روابط میان فشار رقابتی و یادگیری سازمانی از طریق مدل‌سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی (PLS-SEM) بررسی شد (فوسو وامبا و همکاران، ۲۰۲۳؛ هیر و همکاران، ۲۰۱۹)، زیرا رویکرد PLS-SEM در مقایسه با CB-SEM برای نظریه‌پردازی مناسب‌تر بوده و محدودیت‌های کمتری از نظر توزیع داده‌ها دارد (هیر و همکاران، ۲۰۱۷). برای کاهش سوگیری پژوهش، این مطالعه سه متغیر کنترلی را در نظر گرفته است که شامل اندازه سازمان، عمر سازمان و نوع صنعت می‌شوند (چاترجی و همکاران، ۲۰۲۴؛ راویچاندران و همکاران، ۲۰۰۵). نتایج نشان داد که متغیرهای کنترلی تأثیری بر نتایج ندارند. علاوه بر این، سوگیری روش مشترک نیز بررسی شد (مکنزی و پودساکوف، ۲۰۱۲). یک متغیر شاخص با عنوان «محل کار» مورد استفاده قرار گرفت و نتایج نشان داد که این متغیر با هیچ‌یک از سازه‌های مدل ارتباط ندارد؛ این امر نشان می‌دهد که مشکل سوگیری روش مشترک در این مطالعه مسئله‌ای محسوب نمی‌شود (سیمرینگ و همکاران، ۲۰۱۵)…

Data Collection This investigation implemented a survey-based methodology (Fosso Wamba et al., 2023) that concentrates on organisations that have implemented artificial intelligence-powered big data analytics (BDA-AI). The research focusses on managers, IT leaders, and decision-makers in non-IT department who are responsible for BDA-AI initiatives, as they offer critical insights into these research questions. Representation across industries, including manufacturing, retail, finance, and healthcare, is guaranteed by a random sampling approach. Using SurveyStar, a research agency with a one of largest panel database in China, the survey was conducted through an online survey platform. The finalsed sample size of 408 responses were collected in accordance with the “10 times rule” (Hair et al., 2017), and more than the minimum of 250 (Hair et al., 2014), which in line with prior studies (Oh & Han, 2020). The proposed hypotheses were tested and the links between competitive pressure and organisational learning will be examined through PLS-SEM (Fosso Wamba et al, 2023; Hair et al, 2019) as PLS-SEM approach is considerably more favourable for theory construction than CB-SEM and has less data distribution limits (Hair et al., 2017). To reduce the research bias, this study has considered three control variables, which includes organisational size, organisational age, and industry types (Chatterjee, et al., 2024; Ravichandran et al., 2005), the results show that control variable have not effect on the results. Besides, Common method bias were also checked (MacKenzie and Podsakoff, 2012), a marker variable of “working location” was used and the results show that the marker variable is not associated with any constructs in the model, indicating the problem of common method bias is not an issue in this study (Simmering et al., 2015)…

محدودیت‌ها

یکی از محدودیت‌های این مطالعه آن است که داده‌ها صرفاً از سازمان‌های مستقر در چین جمع‌آوری شده‌اند؛ موضوعی که ممکن است قابلیت تعمیم یافته‌ها به سایر زمینه‌های فرهنگی یا اقتصادی را محدود کند. پویایی‌های نهادی، فرهنگی و بازار در چین ممکن است به‌طور قابل‌توجهی با سایر مناطق جهان متفاوت باشند و در نتیجه بر نحوه تأثیر فرهنگ داده‌محور، یادگیری سازمانی و استعدادهای BDA-AI بر عملکرد شرکت اثر بگذارند. پژوهش‌های آینده باید مطالعات بین‌کشوری یا بین‌منطقه‌ای را برای اعتبارسنجی و گسترش این یافته‌ها در محیط‌های متنوع‌تر مدنظر قرار دهند. محدودیت دیگر این مطالعه استفاده از داده‌های مقطعی است که اطلاعات را تنها در یک مقطع زمانی ثبت می‌کنند. این موضوع توانایی پژوهش در اندازه‌گیری اثرات بلندمدت بر عملکرد شرکت را محدود می‌سازد. انجام مطالعات طولی در تحقیقات آینده می‌تواند برای مشاهده چگونگی تحول این روابط در طول زمان سودمند باشد و شواهد قوی‌تری درباره روابط علّی فراهم آورد…

Limitation One limitation of this study is that the data were collected exclusively from organizations in China, which may limit the generalizability of the findings to other cultural or economic contexts. Institutional, cultural, and market dynamics in China may differ significantly from those in other regions, potentially influencing how data-driven culture, organizational learning, and BDA-AI talent affect firm performance. Future research should consider cross-country or cross-regional studies to validate and extend these findings in diverse settings. Another limitation of this study is the use of cross-sectional data, which captures information at a single point in time. This limits the ability to measure the long-term effect of firm performance. Longitudinal studies would be beneficial in future research to observe how these relationships evolve over time and to provide stronger evidence of causality…