臺大管理學院研究方法系列工作坊 Design Research on Predictive Analytics and Generative Al: Challenges, Pathways and Illustrative Examples

院行政辦公室

撰文者／資訊管理學研究所博士生 楊仁瀚

由管理學院舉辦之研究方法系列工作坊，於114年6月19日與數據分析與數位轉型學群共同主辦第二場主題活動「Design Research on Predictive Analytics and Generative AI: Challenges, Pathways and Illustrative Examples」，邀請到亞利桑那州立大學(Arizona State University) W. P. Carey Distinguished Chair and Professor Olivia Liu Sheng (劉若慧教授)擔任講者，其為國際知名的資訊系統領域資深學者，長期致力於設計科學研究(Design Science Research)的發展。劉教授以其豐富的頂尖期刊審稿與發表經驗，深入淺出地講解研究設計、論文撰寫以及審稿回應等重要議題，為年輕學者與研究生帶來許多寶貴啟發。

   

隨著生成式AI的普及，設計科學研究迎來更多發展機會，但同時也面臨審查標準、倫理與實用性等挑戰。劉教授指出近年來AI技術的快速發展，像ChatGPT等生成式AI的出現，不僅讓設計科學研究的應用更加多元，技術發展的速度也更加快速，然而這種快速變化也讓投稿產生不少困難，例如IS領域的論文審查與出版週期相較於電腦科學(CS)領域更長，往往導致原先論文的技術被挑戰。另外，設計科學研究若限於單一案例或應用場景，往往不易說服學術界其通用性與貢獻，因此劉教授建議研究者應主動凸顯自身研究的創新理念、理論貢獻與實務價值，並善用多元驗證方式展現成果，即使技術面臨更新，也可強調設計原理與方法在不同應用場景的通用性與價值。

在論文撰寫和投稿策略方面，劉教授分享許多具體做法，她認為一篇成功的論文，必須在開頭就點明創新之處，並清楚交代該研究如何回應當前重要問題。進行文獻回顧時，不僅要列出過往相關成果，更要凸顯自身方法、資料或設計理念的差異，讓審稿人一目了然。她也強調無論設計型研究是否有完整理論支撐，至少要讓讀者理解設計背後的邏輯，以及此設計與現實需求之間的關聯性。同時，透過真實案例、模擬實驗或實地測試，展現技術的落地成效，是提升論文說服力不可或缺的環節。在論文回應與修訂階段，積極補充最新文獻、比較異同、並適度調整實驗設計，這些將有助於提升論文的價值與影響力。

在演講過程中，劉教授以自己的經驗勉勵年輕學者，鼓勵大家勇於跨出舒適圈，主動探索不同領域的前瞻性議題，並與各專業領域或產業界專家合作交流。她也以多個實際案例作為佐證，例如她的研究團隊運用了多渠道深度學習架構，提升模型在處理不同醫療類型資訊的能力，藉此協助醫療機構預測病患醫療費用，除了傳統模型驗證指標外，此研究亦探討模型是否能避免高需求病患低估、健康病患高估這類資源分配不公的問題，這一點不僅提升模型的社會責任感，也讓研究結果對醫療政策更具實質意義。另一篇研究則是透過多任務學習方法協助企業分析財報公佈後市場反應，過程中納入其他財務意義的輔助任務提升模型表現，研究中也利用投資人實際行為驗證模型的解釋力，為金融科技應用、設計科學和深度學習領域提供新觀點。這些研究都是將資訊科技與現實需求做結合、實際應用於真實的產業場景，不僅提升產業決策效率，也能促進學術界與企業界的對話與合作，進一步擴大學術影響力。

最後，劉教授認為設計科學研究的價值不僅僅在於開發新技術，更在於結合創意，解決社會中的真實問題，同時應重視公平性與可解釋性，以及科技對社會所帶來的正向影響。然而持續地投入與熱忱是學術成長不可或缺的基石，許多有意義的研究成果都來自長時間的努力與不斷嘗試。她期許台灣的學生和學者能夠在國際舞台上展現創意，並透過設計科學研究持續為社會帶來正面的改變。這場講座不僅擴展了與會師生的國際視野，也讓大家更了解當前AI時代設計科學研究的機會與挑戰。