مقاله انگلیسی با ترجمه هم افزایی هوش انسانی و هوش مصنوعی در شرکت‌های کوچک و متوسط هوشمند: ادغام هوش مصنوعی مولد و هوش تصمیم‌گیری مبتنی بر ERP در بخش تولید دقیق تایوان

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

عنوان فارسی:

هم افزایی هوش انسانی و هوش مصنوعی  در شرکت‌های کوچک و متوسط هوشمند: ادغام هوش مصنوعی مولد و هوش تصمیم‌گیری مبتنی بر ERP در بخش تولید دقیق تایوان

عنوان انگلیسی:

Human–AI Co-Intelligence in Smart SMEs: Integrating Generative AI and ERP-Driven Decision Intelligence in Taiwan’s Precision Manufacturing Sector

کد محصول: M2134

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:Expert Systems With Applications

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : دارد

تعداد صفحه انگلیسی: 12 صفحه PDF

تعداد صفحه ترجمه فارسی:   53 صفحه WORD

قیمت فایل ترجمه شده:  241000 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

با شتاب گرفتن تحول دیجیتال، هوش مصنوعی (AI) از یک ابزار خودکارسازی به یک همکار شناختی تکامل یافته است که استدلال مدیریتی و تصمیم‌گیری راهبردی را دگرگون می‌کند. با این حال، ارزش واقعی ادغام هوش مصنوعی نه در دقت الگوریتمی آن، بلکه در چگونگی تفسیر، اعتماد و هم‌تکاملی انسان‌ها با سیستم‌های هوشمند نهفته است. این مطالعه یک چارچوب هم ­افزای هوش انسانی و هوش مصنوعی را توسعه می‌دهد که هوش مصنوعی مولد را با هوش تصمیم‌گیری مبتنی بر ERP ادغام می‌کند تا بررسی کند چگونه سازوکارهای فناورانه و شناختی به‌طور مشترک با بهبود کیفیت تصمیم‌گیری و چابکی سازمانی در میان شرکت‌های کوچک و متوسط (SMEs) در بخش تولید دقیق تایوان مرتبط هستند. با اتکا به چارچوب تصمیم‌گیری مبتنی بر هوش مصنوعی (AIDM) و نظریه تصمیم‌گیری رفتاری، این مطالعه یک طرح پژوهش کمی مبتنی بر نظریه را اتخاذ می‌کند که بر اساس پیمایشی از 327 شرکت کوچک و متوسط انجام شده و با استفاده از مدل‌سازی معادلات ساختاری (SmartPLS 4.0) تحلیل شده است. پیش از اجرای پیمایش، مصاحبه‌ با خبرگان برای پالایش تعاریف سازه‌ها و اعتبارسنجی گویه‌های اندازه‌گیری انجام شد. نتایج نشان می‌دهد که پذیرش هوش مصنوعی به‌طور مثبت با کیفیت تصمیم‌گیری ادراک‌شده مدیران و چابکی سازمانی مرتبط است؛ با این حال، این مزایا تنها زمانی پدیدار می‌شوند که اعتماد مدیریتی به هوش مصنوعی به‌طور مناسب تنظیم شده باشد و شهود مدیریتی به‌طور مؤثر در تفسیر بینش‌های الگوریتمی به کار گرفته شود. یافته‌ها هم افزایی هوش انسانی و هوش مصنوعی را به‌عنوان یک قابلیت سازمانی مرتبه‌بالا تثبیت می‌کنند که تبدیل تحلیل‌های مبتنی بر داده به قضاوت زمینه‌مند و یادگیری انطباقی را تسهیل می‌کند. این مطالعه با ادغام پیچیدگی فناورانه و شناخت انسان‌محور، نظریه هوش تصمیم‌گیری را گسترش می‌دهد و به ادبیات سیستم‌های اطلاعاتی درباره هوش مصنوعی مسئولانه و مولد کمک می‌کند و مسیری انسان‌محور به سوی تحول دیجیتال پایدار ارائه می‌دهد.

کلیدواژه‌ها: همکاری انسان–هوش مصنوعی، هوش تصمیم‌گیری، سیستم‌های ERP، هوش مصنوعی مولد، شرکت‌های کوچک و متوسط، تنظیم اعتماد، شهود مدیریتی

Abstract: As digital transformation accelerates, artificial intelligence (AI) has evolved from an automation tool into a cognitive collaborator that reshapes managerial reasoning and strategic decision-making. Yet, the real value of AI integration lies not in its algorithmic precision but in how humans interpret, trust, and co-evolve with intelligent systems. This study develops a Human–AI Co-Intelligence Framework that integrates generative AI with ERPdriven decision intelligence to examine how technological and cognitive mechanisms jointly associated with improved decision quality and organizational agility among small and medium-sized enterprises (SMEs) in Taiwan’s precision manufacturing sector. Drawing upon the AI-Driven Decision-Making (AIDM) framework and behavioral decision theory, this study adopts a theory-driven quantitative research design based on a survey of 327 SMEs, analyzed using structural equation modeling (SmartPLS 4.0). Before survey administration, expert interviews were conducted to refine construct definitions and validate measurement items. The results reveal that AI adoption is positively associated with managers’ perceived decision quality and organizational agility; however, these benefits emerge only when managerial trust in AI is appropriately calibrated and when intuition is effectively engaged in interpreting algorithmic insights. The findings establish Human–AI Co-Intelligence as a higher-order organizational capability that facilitates the translation of data-driven analytics into contextual judgment and adaptive learning. By integrating technological sophistication with human-centered cognition, this study extends decision intelligence theory and contributes to the Information Systems literature on responsible and generative AI, offering a human-centered pathway toward sustainable digital transformation.

Keywords: Human–AI collaboration, Decision intelligence, ERP systems, Generative AI, SMEs, Trust calibration, Managerial intuition

1. مقدمه

تکامل هوش مصنوعی (AI) از یک ابزار محاسباتی به یک همکار شناختی، یکی از تحول‌آفرین‌ترین پیشرفت‌ها در مدیریت سازمانی می باشد. شرکت‌های مدرن به طور فزاینده‌ای نه تنها برای خودکارسازی فرآیندها، بلکه برای تقویت شناخت انسان در محیط‌های تصمیم‌گیری پیچیده، پویا و پرخطر به هوش مصنوعی وابسته هستند. با این حال، قابلیت فناورانه به‌تنهایی عملکرد برتر را تضمین نمی‌کند. پژوهش‌های اخیر در حوزه سیستم‌های اطلاعاتی تأکید می‌کنند که ارزش راهبردی هوش مصنوعی تنها زمانی پدیدار می‌شود که استدلال انسانی و تحلیل‌های هوش مصنوعی به‌صورت هم‌افزا تعامل کنند تا پیامدهای تصمیم‌گیری هم‌هوشمندانه را ایجاد نمایند (رایش و کراکوفسکی، 2021؛ گودیگانتالا، مادهاوارام و بیسن، 2023). این تغییر پارادایم ــ از خودکارسازی به هم‌هوشمندی ــ چگونگی مفهوم‌سازی سازمان‌ها از هوش، مسئولیت و چابکی در عصر دیجیتال را بازتعریف می‌کند…

1. Introduction The evolution of artificial intelligence (AI) from a computational instrument to a cognitive collaborator represents one of the most transformative developments in organizational management. Modern enterprises increasingly depend on AI not merely to automate processes but to augment human cognition in complex, dynamic, and high-stakes decision environments. However, technological capability alone does not guarantee superior performance. Recent Information Systems research emphasizes that the strategic value of AI emerges only when human reasoning and AI analytics interact synergistically to generate cointelligent decision outcomes (Raisch & Krakowski, 2021; Gudigantala, Madhavaram, & Bicen, 2023). This paradigm shift—from automation to co-intelligence—redefines how organizations conceptualize intelligence, responsibility, and agility in the digital era…

2.1. هوش تصمیم‌گیری مبتنی بر هوش مصنوعی

مفهوم هوش تصمیم‌گیری (DI) به‌عنوان یک پارادایم محوری در پژوهش‌های سیستم‌های اطلاعاتی (IS) ظهور کرده است و توصیف می‌کند که سازمان‌ها چگونه با ادغام هوش مصنوعی، تحلیل داده‌ها و شناخت مدیریتی، داده‌های خام را به بینش راهبردی تبدیل می‌کنند. برخلاف سیستم‌های سنتی پشتیبان تصمیم که بر محاسبه و گزارش‌دهی تأکید دارند، هوش تصمیم‌گیری یک چرخه بازگشتی از ادراک، استدلال و یادگیری را نمایندگی می‌کند که در آن شناخت انسانی و ماشینی به‌طور پویا با یکدیگر تعامل دارند (آتینزا-باربا و همکاران، 2024). از طریق هوش مصنوعی مولد و پیش‌بینانه، سیستم‌های ERP از مخازن ایستای داده به سکوهای راهبردی معناسازی تکامل یافته‌اند که مدیران را قادر می‌سازند الگوها را شناسایی کنند، سناریوها را پیش‌بینی نمایند و گزینه‌ها را با دقتی بی‌سابقه ارزیابی کنند (مهاسکی، 2024)…

2.1. AI-driven decision intelligence The concept of Decision Intelligence (DI) has emerged as a core paradigm within Information Systems (IS) research, describing how organizations transform raw data into strategic insight by integrating AI, analytics, and managerial cognition. Unlike traditional decision support systems that emphasize computation and reporting, DI represents a recursive cycle of perception, reasoning, and learning wherein human and machine cognition interact dynamically (Atienza-Barba et al., 2024). Through generative and predictive AI, ERP systems have evolved from static data repositories into strategic sensemaking platforms that enable managers to detect patterns, forecast scenarios, and evaluate alternatives with unprecedented precision (Mhaskey, 2024)…

2.5. جمع‌بندی و شکاف پژوهشی

ترکیب ادبیات بررسی‌شده سه شکاف پژوهشی کلیدی را آشکار می‌سازد. نخست، مطالعات موجود درباره پذیرش هوش مصنوعی عمدتاً بر آمادگی فنی و قابلیت‌های سیستم تمرکز دارند و سازوکارهای شناختی‌ای را که تعیین می‌کنند آیا هوش مصنوعی به کیفیت تصمیم‌گیری کمک می‌کند یا از آن می‌کاهد، نادیده می‌گیرند. دوم، اگرچه چارچوب AIDM امکان‌پذیری عملیاتی ادغام هوش مصنوعی با مدل‌های تصمیم‌گیری ساختاریافته را نشان می‌دهد، ابعاد شناختی و سازمانی آن، به‌ویژه در بستر شرکت‌های کوچک و متوسط، همچنان از نظر تجربی آزمون نشده‌اند. سوم، تعامل میان تنظیم اعتماد و شهود مدیریتی ــ اگرچه از نظر مفهومی مورد شناسایی قرار گرفته است ــ به‌ندرت در قالب یک چارچوب یکپارچه هوش تصمیم‌گیری مدل‌سازی شده است…

2.5. Summary and research gap Synthesizing the reviewed literature reveals three key research gaps. First, existing studies on AI adoption predominantly address technical readiness and system capability, overlooking the cognitive mechanisms that determine whether AI contributes to or detracts from decision quality. Second, while the AIDM framework demonstrates the operational feasibility of integrating AI with structured decision models, its cognitive and organizational dimensions remain empirically untested, particularly in SME contexts. Third, the interplay between trust calibration and managerial intuition—though conceptually recognized—has seldom been modeled within a unified decision intelligence framework…

فرضیات

فرضیه 1 (H1): پذیرش هوش مصنوعی در سیستم‌های مبتنی بر ERP به‌طور مثبت بر کیفیت تصمیم‌گیری راهبردی تأثیر می‌گذارد.
فرضیه 2 (H2): پذیرش هوش مصنوعی به‌طور مثبت بر چابکی سازمانی تأثیر می‌گذارد.
فرضیه 3a (H3a): تنظیم اعتماد به‌طور آماری رابطه میان پذیرش هوش مصنوعی و کیفیت تصمیم‌گیری راهبردی را میانجی‌گری می‌کند.
فرضیه 3b (H3b): تنظیم اعتماد به‌طور آماری رابطه میان پذیرش هوش مصنوعی و چابکی سازمانی را میانجی‌گری می‌کند.
فرضیه 4 (H4): شهود مدیریتی رابطه میان پذیرش هوش مصنوعی و کیفیت تصمیم‌گیری راهبردی را به‌طور مثبت تعدیل می‌کند، به‌گونه‌ای که این رابطه زمانی قوی‌تر است که سطح شهود مدیریتی بالا باشد.
فرضیه 5a (H5a): هم افزایی هوش انسانی و هوش مصنوعی به‌طور مثبت بر کیفیت تصمیم‌گیری راهبردی تأثیر می‌گذارد.
فرضیه 5b (H5b): هم افزایی هوش انسانی و هوش مصنوعی به‌طور مثبت بر چابکی سازمانی تأثیر می‌گذارد.

H1: AI adoption in ERP-driven systems positively influences strategic decision quality.
H2: AI adoption positively influences organizational agility.
H3a: Trust calibration statistically mediates the relationship between AI adoption and strategic decision quality.
H3b: Trust calibration statistically mediates the relationship between AI adoption and organizational agility.
H4: Managerial intuition positively moderates the relationship between AI adoption and strategic decision quality, such that the relationship is stronger when managerial intuition is high.
H5a: Human–AI Co-Intelligence positively influences strategic decision quality.
H5b: Human–AI Co-Intelligence positively influences organizational agility.

4.1. طراحی پژوهش و زمینه مطالعه

برای اعتبارسنجی تجربی چارچوب هم افزایی هوش انسانی و هوش مصنوعی، این مطالعه یک طرح پژوهش کمی مقطعی مبتنی بر نظریه را اتخاذ می‌کند. تحلیل تجربی اصلی بر پایه یک پیمایش گسترده استوار است که امکان آزمون آماری و تعمیم روابط فرض‌شده میان پذیرش هوش مصنوعی، تنظیم اعتماد، شهود مدیریتی، کیفیت تصمیم‌گیری راهبردی و چابکی سازمانی را فراهم می‌کند (هیر، هالت، رینگل و سارشتدت، 2021). پیش از اجرای پیمایش، مصاحبه‌های نیمه‌ساختاریافته با مدیران اجرایی شرکت‌های کوچک و متوسط انجام شد تا تعاریف سازه‌ها پالایش شوند، ارتباط زمینه‌ای آن‌ها تضمین گردد و از توسعه ابزار اندازه‌گیری پشتیبانی شود. این مصاحبه‌ها صرفاً برای اهداف توسعه ابزار مورد استفاده قرار گرفتند و برای تولید یافته‌های کیفی مستقل طراحی نشده بودند…

4.1. Research design and context To empirically validate the Human–AI Co-Intelligence Framework, this study adopts a theory-driven, cross-sectional quantitative research design. The primary empirical analysis is based on a large-scale survey, which enables statistical testing and generalization of the hypothesized relationships among AI adoption, trust calibration, managerial intuition, strategic decision quality, and organizational agility (Hair, Hult, Ringle, & Sarstedt, 2021). Prior to survey administration, semi-structured interviews with SME executives were conducted to refine construct definitions, ensure contextual relevance, and support measurement development. These interviews were used exclusively for instrument development purposes and were not intended to generate standalone qualitative findings.

4.3.2. عملیاتی‌سازی سازه‌ها و منابع اندازه‌گیری

جدول 1 تعاریف عملیاتی، گویه‌های اندازه‌گیری و منابع کلیدی ادبیات برای هر یک از سازه‌های مکنون گنجانده‌شده در چارچوب هم افزایی هوش انسانی و هوش مصنوعی را به‌منظور تضمین شفافیت سازه‌ای و شفافیت روش‌شناختی خلاصه می‌کند. تمام گویه‌ها بر اساس مقیاس پنج‌درجه‌ای لیکرت (1 = «کاملاً مخالفم»، 5 = «کاملاً موافقم») ارزیابی شدند. تمامی گویه‌های اندازه‌گیری به‌صورت گزاره‌های توصیفی که بازتاب‌دهنده ادراکات مدیریتی بودند ــ و نه گزاره‌های علّی ــ تدوین شدند که با اصول استاندارد طراحی پیمایش سازگار است…

4.3.2. Construct operationalization and measurement sources Table 1 summarizes the operational definitions, representative measurement items, and key literature sources for each latent construct included in the Human–AI Co-Intelligence Framework to ensure construct clarity and methodological transparency. All items were rated on a five-point Likert scale (1 = “strongly disagree,” 5 = “strongly agree”). All measurement items were phrased as descriptive statements reflecting managerial perceptions rather than causal propositions, consistent with standard survey design principles.

5.9. جمع‌بندی یافته‌ها

به‌طور کلی، شواهد تجربی از چارچوب هم افزایی هوش انسانی و هوش مصنوعی حمایت می‌کنند. پذیرش هوش مصنوعی به‌طور معنادار و مثبتی با کیفیت تصمیم‌گیری و چابکی سازمانی مرتبط است، اما این اثرات به تنظیم اعتماد و شهود مدیریتی وابسته هستند. بنابراین، این مطالعه هوش هم‌افزا را به‌عنوان یک قابلیت پویا و مرتبه‌بالا تأیید می‌کند که از طریق آن شرکت‌های کوچک و متوسط پذیرش فناوری را به ارزش راهبردی تبدیل می‌کنند. هوش هم‌افزا از طریق همسو کردن استدلال الگوریتمی با شناخت انسانی، سازمان‌ها را قادر می‌سازد هم به دقت تحلیلی و هم به انعطاف‌پذیری انطباقی دست یابند؛ دو عنصر حیاتی برای رقابت‌پذیری پایدار در عصر هوش مصنوعی مولد…

5.9. Summary of findings Overall, the empirical evidence supports the Human–AI Co- Intelligence Framework. AI adoption is significantly positively associated with decision quality and organizational agility, but these effects are contingent on trust calibration and managerial intuition. The study thus substantiates co-intelligence as a dynamic, higher-order capability through which SMEs transform technological adoption into strategic value. By aligning algorithmic reasoning with human cognition, cointelligence enables organizations to achieve both analytical precision and adaptive flexibility—critical elements of sustainable competitiveness in the generative AI era…

6.5. محدودیت‌ها و مسیرهای پژوهشی آینده

با وجود حمایت تجربی قوی از چارچوب پیشنهادی هم افزایی هوش انسانی و هوش مصنوعی، چندین محدودیت باید مورد توجه قرار گیرد. نخست، این مطالعه بر داده‌های ادراکی مقطعی و تک‌منبعی متکی است. اگرچه این رویکرد با ماهیت تجربی سازه‌های اصلی پژوهش همخوانی دارد و برای کاهش سوگیری روش مشترک، راهکارهای رویه‌ای و آماری متعددی به‌کار گرفته شده‌اند، با این حال استنباط‌های علّی همچنان محدود باقی می‌مانند. پژوهش‌های آینده می‌توانند از طرح‌های طولی، آزمایشی یا چندمنبعی استفاده کنند تا ادعاهای علّی را با قدرت بیشتری پشتیبانی نمایند…

6.5. Limitations and future research directions Despite robust empirical support for the proposed Human–AI Co- Intelligence framework, several limitations should be acknowledged. First, the study relies on cross-sectional, single-source perceptual data. Although this approach aligns with the experiential nature of the focal constructs and multiple procedural and statistical remedies were implemented to mitigate common method bias, causal inferences remain bounded. Future research may adopt longitudinal, experimental, or multi-source designs to further strengthen causal claims…