2026年11月1日 · 星期日
| 主题 | 检索期刊 | 收录论文数 |
|---|---|---|
| AI大模型 | ISR、ESWA、I&M | 5 |
| 供应链金融 | IJPE、JOM、EJOR | 3 |
| 品牌 | JMR、JBR、JAMS | 4 |
| 合计 | 9本 | 12篇 |
注:期刊选取以ABS 3+/UTD24/FT50/SSCI或SCI二区以上为优先,检索关键词:AI大模型 → "large language model" OR "generative AI";供应链金融 → "supply chain finance" OR "trade credit";品牌 → "brand equity" OR "brand strategy"。
基于两项预注册实验(3750名参与者、近37000条提示),发现提示适配对性能提升的作用取决于任务结构:在目标明确的固定评价任务中约占模型升级收益的一半,而在开放式创作任务中作用有限,且自动化提示重写无法普遍替代人工适配。
随着生成式AI系统快速改进,一个关键问题浮现:用户如何适应这些变化,这种适应何时对性能提升至关重要?本文研究提示适配——用户如何随模型行为演化调整输入——采用通用实验设计应用于两项预注册任务,共3750名参与者提交近37000条提示。研究表明,提示适配的重要性关键取决于任务结构:在评价标准固定、目标无歧义的任务中,用户提示适配约占模型升级带来的一半收益;而在可接受输出空间近乎无界、质量判断主观的开放式创作任务中,性能提升主要由模型能力驱动,提示适配作用有限。研究还表明,自动化提示重写通常无法替代人工适配:当与任务目标对齐时可适度提升性能,错位时则可能适得其反。
利用Stack Overflow上的自然实验证据,考察生成式AI(ChatGPT)对平台用户自愿知识贡献的影响,揭示了生成式AI既可能通过学习效应提升回答质量、也可能因认知负担增加而抑制整体贡献的双重路径。
在线平台上自愿性的知识贡献对用户、平台和企业都具有重要价值。生成式AI技术的快速发展促进了问答平台知识的自动生成。然而,生成式AI对用户自愿知识贡献的影响仍是一个实证问题。一方面,用户可能向生成式AI学习,通过提供更有条理、更合逻辑的回答来改进回答质量;另一方面,生成式AI可能产生编造的回答,且在AI协助下快速作答可能给读者理解输出带来额外认知负担,从而降低整体贡献。本研究考察了生成式AI(特别是ChatGPT)对Stack Overflow用户自愿知识贡献的影响。
基于不确定性降低理论,利用大规模问卷数据(n=2,582)发现生成式AI的响应不确定性会放大用户反复点击“重新生成”的过度生成倾向,频繁重新生成诱发认知疲劳并降低任务效率,而AI素养较高的用户中该效应更弱。
人们越来越依赖生成式AI系统进行内容创作,但AI生成结果的不确定性给有效使用带来了新挑战。一种常见的应对策略是点击“重新生成”以寻找更好的输出。基于不确定性降低理论,本研究构建模型解释这一现象,并用大规模调查数据(n=2,582)进行检验。研究发现所谓的过度生成效应——过度重新生成这种适得其反的行为模式。系统响应不确定性会放大用户重新生成内容的倾向,这一效应在AI素养较高的用户中更弱。重要的是,频繁重新生成并非无成本的探索,它会诱发认知疲劳、降低任务效率。本研究将关注点从过程层面转向输出层面的不确定性,为生成式AI的有效使用提供新见解。
系统梳理了生成式AI(尤其是大语言模型)偏见的来源、检测与缓解方法,构建了覆盖主要利益相关方的偏见治理框架,识别出研究空白,为信息管理学者提出关键研究问题与未来方向。
生成式AI技术,尤其是大语言模型(LLM),已深刻改变了信息管理系统,但也引入了大量可能削弱其在商业决策中有效性的偏见。这一挑战为信息管理学者提供了独特机遇,即通过识别和解决LLM应用中的偏见来推进领域发展。在讨论偏见来源及当前检测与缓解方法的基础上,本文力图识别研究空白与未来机遇,通过融合伦理考量、政策意涵与社会技术视角,构建了覆盖生成式AI系统主要利益相关方的偏见治理框架,提出一系列关键研究问题,为信息管理与AI治理的交叉研究指明方向。
提出一个数据驱动的学生行为模拟框架,融合真实辅导日志与合成数据构建CogTutor语料库,通过微调LLM高保真复现不同认知水平学生的推理路径与典型错误,为个性化自适应辅导提供新路径。
智能教学系统日益依赖大语言模型(LLM)模拟学习者行为,以支持个性化反馈与自适应教学。然而,实现真实的学生模拟仍具挑战性,尤其是建模不同能力水平学习者如何推理、犯错并通过反馈改进的过程。LLM在自然语言生成上表现出强大能力,但在模拟人类学习背后的细致行为轨迹方面仍有局限。现有角色扮演方法往往依赖固定人设、缺乏真实行为模拟。本文提出一个基于LLM角色扮演智能体的数据驱动行为模拟结构化框架,包含三个关键组件:(1)从真实辅导数据中提取学生解题轨迹与反馈模式;(2)建模领域知识依赖与推理策略;(3)通过自然语言叙事模拟观测到的学习行为以微调LLM。学生数据集上的实证结果表明,该方法能更高保真度地复现多样化的推理层次与特征性错误,为面向学习者的AI辅导系统提供了数据驱动路径,也为未来研究指出了认知启发方向。
针对还款风险在供应链网络中传播引发系统性中断的问题,提出融合深度学习与大语言模型的还款风险预测方法,利用供应链金融文本信息提升风险识别精度,为融资风控提供智能预警工具。
供应链金融在提升供应链企业流动性、实现运营效率方面发挥着关键作用,尤其对资金受限的供应商而言。然而,还款风险——即借款人未能履行付款义务——可能在供应链网络中蔓延,导致系统性金融中断与生产延误。本文提出结合深度学习与大语言模型的方法,从供应链金融相关的文本信息中学习还款风险信号,构建高精度的风险预测模型,帮助金融机构与核心企业在违约风险扩散前识别高风险借款方,从而提升供应链金融生态的稳健性与可扩展性。
通过实验室实验研究财务受限报童的订货决策,在资金充裕与稀缺两种情境下考察资金约束对报童订货行为的影响,为理解资金约束下小微运营企业的决策行为提供新证据。
本文从实验角度研究财务受限报童的订货行为。经典报童模型刻画了需求不确定下决策者的订货决策,而资金约束会从根本上改变这一决策环境。本文通过可控实验在“充裕”(abundance)与“稀缺”(scarcity)两种资金情境下考察报童如何制定订货决策,系统比较资金约束对订货量、利润与行为模式的影响。研究结果揭示了资金约束情境下报童决策的系统性特征,为供应链运营与融资协同决策的理论与实践提供了重要的行为证据。
研究深层级供应链中下游零售商借助区块链实现源头质量信息透明、并通过应付账款数字化(发票代币化)为中游制造商融资的机制设计,为多层供应链中区块链与供应链融资协同提供了均衡分析。
在层级分布的深度供应链中,上游源头的原材料质量私有信息以及中游在采购环节的资金约束,显著制约了下游销售与市场供给。为应对这些问题,下游零售商可以借助区块链技术在整条供应链中追溯并透明化源头的质量信息,并通过将应付账款数字化(即发票代币化)为中游环节注入融资。本文构建理论模型,考察区块链驱动的质量透明与发票代币化之间的互动及其对供应链各方决策、融资均衡与整体绩效的影响,为区块链与供应链金融的融合应用提供了运营层面的理论洞见。
通过九项研究证明,与标准退货及未退货消费者相比,体验“保留式退货”(无需实际退回商品)的消费者表现出更高的品牌惠顾倾向与正面口碑传播,且该效应在多种退货情境下稳健存在。
许多零售商现在采用“保留式退货”政策,允许顾客保留他们本想退回的商品。九项研究表明,体验过“保留式退货”的消费者与被告知必须退回商品(即标准退货)的消费者以及购买后未退货的消费者相比,表现出更高的品牌惠顾可能性和更积极主动的正面口碑传播。该效应在不同情境下(例如发起退货的原因)普遍成立,并在消费者对品牌支持倾向提高这一心理机制中发挥作用。研究为零售商如何在退货政策设计中平衡成本控制与品牌建设提供了重要启示。
基于反事实思维理论,七项研究揭示了一个出人意料的发现:在购买前宣称一致且宣称显著的情境下,低品牌资产新品牌可取得比高品牌资产品牌更优的消费后评价优势,凸显了未选择品牌作为参照点的作用。
既有研究表明,高品牌资产品牌(HEBs)相比低品牌资产品牌(LEBs)具有优势。在某些市场中,LEB通过以更低价格对标HEB的数值表现进行竞争,其零售并排陈列进一步凸显了二者的相似性。然而,这些比较如何影响消费后评价,特别是当品牌绩效超越或未及自身宣称时,尚不清楚。基于反事实思维,七项研究的结果揭示了出人意料的发现:LEB在消费后评价中可以获得相对于HEB的优势,这取决于两个因素——购买前宣称的完全一致,以及产品使用/消费时这些宣称的显著性。当宣称不同或其显著性消退时,模糊度较低的绩效便主导评价,LEB优势随之消失。这一发现对零售陈列、竞争定位与品牌传播实践均有参考价值。
品牌资产理论奠基人Keller回顾了基于顾客的品牌资产(CBBE)概念的起源、发展现状与未来前景,梳理多年来的概念与管理进展,并为品牌价值评估、品牌资产解构与品牌潜力实现三大议题提出未来研究方向。
品牌资产概念无论对研究者还是实践者都至关重要,已成为管理决策的核心要素。理解如何建立、衡量与管理品牌资产,不仅对营销具有战略与战术意义,而且对财务、人力资源、物流、运营及其他管理职能有重要影响。本文回顾了品牌资产概念的起源、发展与前景,聚焦基于顾客的品牌资产(CBBE)这一早期颇具影响力的学术框架。在简要阐明CBBE核心原则后,本文系统总结并解读了多年来品牌资产与CBBE领域的重要概念进展与管理应用。文章最后为品牌价值评估、品牌资产解构与品牌潜力实现三大课题提出未来研究方向,帮助营销者更好地理解并最大化品牌资产。
通过对内衣品牌Savage X Fenty的质性分析提出“混合品牌化”策略,通过选择性采纳、选择性剥离等机制化解市场层面的文化矛盾,帮助新品牌在制度逻辑冲突的复杂市场中构建差异化且有共鸣的品牌身份。
在当今竞争激烈的市场中,塑造差异化的品牌身份至关重要且充满挑战,对新进入者尤其如此。制度逻辑相互冲突的复杂市场为创造差异化且有共鸣的品牌身份提供了独特机会。本文引入混合品牌化(hybrid branding)作为一项新策略,通过解决市场层面的文化矛盾来创造此类品牌身份。基于对内衣品牌Savage X Fenty的质性分析,本文识别出混合品牌化的四种机制——选择性采纳、选择性剥离、创造性与共鸣性整合,这些机制使新品牌得以在复杂市场中构建差异化且与消费者产生共鸣的品牌身份,为品牌身份理论与复杂市场进入策略提供了新洞见。