Data driven AI research in IS Seminar

研讨会主题:信息系统领域数据驱动的人工智能研究

研讨会主席:Weiguo Fan教授 爱荷华大学


♦ 报告1:基于大语言模型的新社区冷启动推荐方法

刘红岩
教授
hyliu@tsinghua.edu.cn
清华大学

报告人介绍:刘红岩,清华大学博士,博士生导师。清华大学经济管理学院管理科学与工程系教授,人工智能与管理研究中心副主任。主要研究领域为机器学习、商务智能、推荐系统、计算机视觉等。在国际学术期刊和国内外学术会议上发表论文百余篇,包括国际高水平学术期刊如《Information Systems Research》、《MIS Quarterly》、《INFORMS Journal on Computing》、《IEEE Transactions on Knowledge and Data Engineering》、《ACM Transactions on Information Systems》、《ACM Transactions on Database Systems》等,以及一流国际学术会议如VLDB、ICDE、SIGKDD、IJCAI、CIKM、AAAI、ICIS、CVPR、ICCV等。获得14项国家发明专利授权;目前担任国际知名学术期刊《Information & Management》副主编,中国管理现代化研究会电子商务与网络空间管理专委会副主任。

报告摘要:新社区冷启动问题指的是新社区构建推荐系统时的挑战。为解决这个问题,我们提出了一种新颖的基于大语言模型的推荐方法。我们设计高效构建有效ICL提示的从粗到精的框架。在粗处理阶段,我们利用大语言模型的偏差提出缩减演示样例空间的方法,然后在精细处理阶段,我们提出了用于学习样例选择策略的强化学习方法。实验结果显示,所提方法可以很大程度上提升基于大语言模型解决新社区冷启动推荐问题的性能。


♦ 报告2:产品外观设计中的任务特性与用户参与度: AIGC工具中工作模式的调节作用

余捷
副教授
jie.yu@nottingham.edu.cn
宁波诺丁汉大学

报告人介绍:余捷博士,宁波诺丁汉大学商学院信息系统副教授,同时担任学院教学发展主管。余捷博士于新加坡国立大学获得博士学位,2010年加入宁波诺丁汉大学至今。他的主要研究方向包括社交媒体、电子商务和人工智能商业分析。他的研究成果发表在一系列国际高水平学术期刊如《Information Systems Research》、《Journal of Management Information Systems》、《Journal of the Associations for Information Systems》、《Information Systems Journal》、《Information & Management》等。近年来他与业界紧密合作,例如阿里巴巴、淘宝、鸭嘴兽物流科技有限公司和其他宁波本地跨境电商企业。

报告摘要:消费者在选择产品时高度重视外观,这对产品的初次印象、信誉和满意度有很大影响。产品外观设计需要大量投入,许多人转向AIGC工具寻求性价比更高的解决方案,尽管其采用还有限。最近的研究强调了用户-系统交互模式(USIM)的重要性,以及目标明确性如何影响用户在设计任务中与AI工具的互动。根据Goals as Reference Point理论和Task-technology fit理论,本文旨在探讨各种USIM如何影响参与度,假设目标进度与USIM之间的互动对任务参与度有影响。我们将通过研究不同类型的USIM如何影响用户使用AIGC工具时目标累计进度与用户动机之间的关系,来深化对Goals as Reference Point理论的理解,并为提高产品外观设计中的用户参与度提供实践性的见解。


♦ 报告3:什么类型的人群会产生更有价值的内容?探讨数据特点对AI模型表现的影响

杜前舟
特任副教授
qianzhoudu@ustc.edu.cn
中国科学技术大学

报告人介绍:杜前舟博士,中国科学技术大学管理科学系(特任副教授)。此前任职于南京大学商学院市场营销与电子商务系(助理教授)。杜前舟博士毕业于弗吉尼亚理工大学潘普林商学院商业信息技术系获得博士学位。主要研究方向包括:文本挖掘,社交媒体分析,金融科技,群体智慧,以及开放创新。相关研究成果发表于《Production and Operations Management》、《Journal of Management Information Systems》、《Decision Support Systems》、《Journal of the Association for Information Science and Technology》、《Information Systems Journal》、 《Tourism Management》、《Information Processing and Management》、《Expert Systems With Applications》等期刊。

报告摘要:AI模型的表现和数据的质量息息相关,但鲜有研究探索了数据背后的特征对AI模型表现的影响。为了填补该研究空缺,我们采集了UGC平台的数据并研究了人群(数据创作者)特征对人群价值的影响,这是通过使用人群生成的内容预测股票波动性的能力的提高来衡量的。利用改变SP 500 股票讨论人群构成的自然平台范围事件,我们发现经验证据表明,较大人群生成的内容比小人群生成的内容具有更好的预测价值。 然而,这种影响会受到人群背景的多样性以及人群意见的独立性的影响。 此外,我们发现使用各种机器学习算法得出的人群价值对这些人群特征表现出不同的敏感性。 能够识别众生成内容之间的相似性和潜在非线性关系的算法比不能识别的算法在性能上更加稳健。 我们讨论了推动这些发现的机制,并强调了在聚合人群生成的内容时人群多样性和人群独立性对算法性能的影响。

Categories: 专题研讨