* 本研究得到国家自然科学基金重大研究计划项目“大数据驱动的管理与决策研究重大研究计划战略研究项目”（基金号：91846000）的资助。任明为本文通讯作者。数智赋能：信息系统研究的新跃迁*陈国青 任 明 卫 强 郭迅华 易 成摘要：在大数据和人工智能技术飞速进步及其与社会经济活动的融合持续深化的同时，数据治理、高阶智能以及数智赋能正在成为数字经济发展的关注焦点，进而引发信息系统研究的新跃迁。本文首先刻画了我国信息系统研究的阶段演化框架，讨论研究的“造”与“用”视角、主题跃迁、价值创造特点、方法论范式等。接着，通过凝练对于大数据的认识、揭示管理决策要素转变，探讨了现阶段信息系统研究的若干前沿方向 ，包括“大数据驱动”研究方法论范式、智能方法创新、人机融合行为等方面的研究进展，并概述了相应的建模思路和求解路径。最后，从数据、算法、赋能的层面，阐释数智化新跃迁的新特征、新挑战、新课题，以期为我国信息系统学界提供前沿探索和研究创新的启发。关键词：信息系统 大数据驱动 数智赋能 管理决策一、引言信息系统（Information Systems，IS ）是伴随着信息技术的进步及其在人类社会经济活动中的广泛应用和交汇融合而发展起来的一个学科领域。信息技术的进步与创造日新月异，从大型主机到个人计算机、从互联网到社会网络、再到移动网络、物联网、云计算，乃至大数据和人工智能等，构建了数字化生活的丰富图景，在不断改变着个体和组织行为的同时，也深刻影响着信息系统领域的研究与应用。另一方面，信息系统作为技术与管理的交叉领域，离不开与管理理论/ 实践的互动，并以管理问题导向的方式应对着场景变迁，通过理论方法创新以及赋能价值创造，深耕和拓延着信息系统研究与应用的疆域。我国信息系统领域的沿革一直与国家发展密切相关，特别是随着改革开放的进程而脉动。在四个现代化、两化融合、科技强国、大数据等国家战略举措的推动下，政府与企业等组织层面的信息系统建设受到高度重视，并在全球化浪潮中不断迭代升级，成为国家核心竞争能力的重要组成部分。近年来，面对现代信息科技的飞速演进，大数据作为基础性战略资源的作用和潜力日益凸显，我国及时提出实施国家大数据战略，进行了一系列重要的顶层设计和战略布局（中共中央，2015；国务院，2015）。 党的十九大以来，国家进一步强调大数据、人工智能等新一代信息技术与实体经济加速融合①。2020年国家提出数据作为生产要素，强调加快培育数据要素市场，2021年发布的十四五规划进一步强调发展数字经济，推进数字产业化和产业数字化（中共中央、国务院，2020；全国人大，2021a）。 统计显示，2020年我国数字经济规模占GDP 比重为38. 6 %（信通院，2020）。值得一提的是，移动互联技术的发展和扩散，使得信息系统的应用形态从早期的企业化，逐渐具有了社会化和智能化特点：通过向个体外扩至移动客户端，包括大量的移动应用系统，如我国各类Apps数量超过300 万个（工信部，2021），大大提升了整个社会的数字化水平；同时，通过人工智能技术的应用和数字化升级，大大提升了信息系统的赋能水平。很显然，不断动态涌现、交融渗透的技术革命与管理场景，给我国信息系统领域持续提供了难得的动力、多样性和探索空间，也同时带来了知识的更迭、复杂性和研究挑战。处在大数据时代发展的重要节点上，面对数字化生活的新需求、数字化转型的新格局、以及数字经济中的新业态，本文旨在不失国际视角地审视我国信数智赋能：信息系统研究的新跃迁管理科学与工程- -180DOI:10.19744/j.cnki.11-1235/f.2022.0011《管理世界》2022年第1 期息系统领域的沿革、揭示时代特征、把握发展趋势、聚焦前沿议题，以对我国信息系统研究的进一步提升和发展乃至服务国家战略提供前瞻性思考和启发。本文从学科领域的角度出发，结合管理应用情境，首先阐释信息系统研究的若干重要概念，包括信息系统的内涵、形态与功能、“造”与“用”视角、研究范式等；接着，通过勾勒我国信息系统研究的阶段演化框架，描绘各阶段的研究主题跃迁、价值创造特点、主要方法论等，并讨论我国信息系统学界面临的“严谨性与相关性（Rigorvs. Relevance ）”、“世界与中国”关系；进而，围绕大数据时代背景，辨识大数据特征和管理决策要素转变，并以作者团队近年的若干研究为例，概述“大数据驱动”范式、智能方法创新、人机融合行为等工作的基本思想和路径；最后，从数据、算法、赋能的层面，分析和展望数智化新跃迁的“治—智”关注、赋能影响及其新课题。二、信息系统研究沿革（一）信息系统的内涵信息系统是基于信息技术（Information Technology ，IT ）并携载着特定业务模式的系统，旨在支持和实现组织或个体的价值创造。这里，信息系统主要指面向各层级管理问题的应用系统②，为各类管理决策任务赋能。一方面，对于传统组织（如传统企业、政府）来讲，数字化转型的关键成功因素是原有的业务模式如何“适应”或“变革”，以“接受”信息系统及其所携载的业务模式；另一方面，信息系统的设计如何很好地将最佳实践和发展前沿相结合以构建有效的业务模式，也是数字化转型的关键成功因素之一。从管理决策问题的角度，信息系统可以分为3 种类型，即：事务型、分析型和预测型，分别侧重回答“发生了什么”、“为什么发生”和“将发生什么”的问题。相应地，不同类型的信息系统具有不同的技术功能：事务型信息系统的主要技术功能是业务自动化、报表生成和自动查询等，分析型信息系统的主要技术功能是信息视图、多维、切分和回溯分析等，预测型信息系统的主要技术功能是知识发现、统计推断和智能预测等。例如，传统的企业资源规划（Enterprise Resource Planning，ERP ）系统支持企业的基本业务活动，主要属于事务型信息系统；而商务智能（Business Intelligence ，BI ）系统通过企业内外部数据分析进行知识发现和决策预判，主要属于分析型/ 预测型信息系统。此外，信息系统通常因其面向管理决策的特点而被看作是人机系统，通过人机交互来完成管理任务。比如，信息系统支持企业的管理决策人员预测市场需求的变化趋势、发现用户的个性偏好、识别潜在的竞争品牌、进行有针对性的KPI（Key Performance Indicators）考核等。随着智能化水平的不断提升，某些领域的信息系统正向着“无人”系统演化，通过与其它智能系统/ 智能机器人进行交互来完成系统的任务。比如，财务机器人、智能投顾系统、人力资源管理机器人等已经替代了传统上人的某些决策主体角色，并与其它智能系统衔接，使得一些传统上的信息系统与人之间的交互变成了“机器”间的交互。如果将信息系统看作一类信息产品（包括平台、系统、Apps等），其研究可以从“造（make）”与“用（use）”两大视角来审视（如图1）。 这种“造”与“用”的视角体现着管理与技术的分野与统一。“造”的视角关注信息系统能力和方法创新，“用”的视角关注信息系统赋能和驱动创新，二者都是价值创造过程。进而，“造”与“用”通常又各自包含两个视角子维度，反映了不同的关注方面、问题属性乃至方法论特点。在“造”的视角下，数据维度主要关注信息系统相关数据分析方面，涉及信息提取、模式发现、推荐预测等。常用的方法论模型诸如信息系统设计科学（Design Science）（Hevner et al.，2004）意义上的算法设计，包括协同过滤（Collaborative Filter⁃ing，CF）类算法模型（Shi et al.，2014）和深度学习（Deep Learning，DL）类算法模型（LeCun et al.，2015）等。“造”的另一个视角维度是系统维度，主要关注信息系统的开发构建方面，涉及系统生命周期、系统分析建 图1 信息系统研究的“造”与“用”视角- -181模、系统架构与功能等。常用的方法论模型诸如信息系统设计科学中的分析设计理论，包括数据流程图（DataFlow Diagram ，DFD ）模型（Gane and Sarson，1979）和面向对象（Object-Oriented ，OO）类方法模型（Booch et al.，2007）等。在“用”的视角下，行为维度主要关注信息系统的采纳和使用方面，涉及相应的行为构念、管理因素、影响路径等。常用的方法论模型如结构方程模型（Structural Equation Model ，SEM ）（Kline，2016）等，代表性的理论模型如技术接受模型（Technology Acceptance Model ，TAM）（Davis，1989）、信息系统成功模型（IS SuccessModel）（DeLone and McLean，1992）等。“用”的另一个视角维度是经济学维度，主要关注信息系统使用相关的经济学特征方面，涉及价值测量、产品定价、市场分析等。常用的方法论模型为统计计量模型，如双重差分模型（Difference in Differences，DID）（Abadie ，2005）和断点回归设计（Regression Discontinuity Design，RDD）（Im⁃bens and Lemieux ，2008）等。概括说来，信息系统研究的方法论范式可以分为两大类，即模型驱动与数据驱动（陈国青等，2018）。 传统上，信息系统的研究方法论主要遵循模型驱动的范式展开。在模型驱动范式下，研究者基于观察抽象和理论推演建立概念模型和关联假设，再借助解析手段（例如运筹学和博弈论等分析工具）对模型进行求解和优化；或利用相关数据（包括仿真数据、调研数据、观测数据、系统记录数据等）对假设进行检验（例如实证类的行为构念模型和统计计量模型）。 此外，建立在归纳逻辑基础上的质性研究方法（如扎根理论、案例分析等），传统上强调从文献概括、实地调研、深度访谈中进行定性推演形成理论和认识，虽然在研究过程上具有从经验观察提炼研究结论的逻辑特点，但其研究结论的形成方式，总体上仍以研究者的模型思辨作为驱动。模型驱动的范式有助于建立概念、变量之间的因果联系，能够形成对要素影响路径的有效解释。然而，这种范式的局限性在于不易发现已有知识结构之外的潜隐变量，同时还面临着一些要素和变量在传统意义上不可测或不可获、以及变量组合规模和复杂性的激增所带来的建模困难等问题。进入21世纪之后，随着互联网和数字化信息环境的不断发展，数据驱动研究范式的重要作用日益显现，并逐渐得到广泛运用。总体说来，数据驱动范式借助于统计分析、数据挖掘和机器学习等手段，从数据入手，直接发现特定变量关系模式，形成问题解决方案，进而凝练规律和理论。在数据驱动范式下，研究发现的一类重要关系模式是关联（Association）及其扩展形式（如关联规则、模式关联等），并广泛应用到许多领域（如搜索、推荐、模式识别等）。 近年来兴起的深度学习中的一类主流方法（如深度神经网络）也是数据驱动的，旨在“输入—输出”变量间建立关联，不过其技术方法自身具有“黑箱（Black Box）”特点。在此意义上讲，这些数据驱动技术方法在揭示因果关系及可解释性方面存在局限。然而，许多管理决策情形不仅需要关联也需要因果，这在一定程度上带来了信息系统研究范式上的挑战。（二）中国信息系统研究的发展阶段与跃迁阶段模型被广泛用于技术和组织的发展沿革研究，包括探索和刻画企业信息化过程和学习模式（Nolan，1973；麦克法兰等，2003；Guo and Chen ，2005）。 本文通过阶段模型框架形式描述中国信息系统研究的阶段演化，从情境背景（如技术冲击和社会变革）、响应和学习模式、主题关注和迁移、典型信息系统形态、研究视角与方法论、严谨性与相关性关系等维度讨论阶段内涵及其跃迁特征。现代意义上的中国信息系统研究，主要起步于改革开放后的20世纪80年代初，之前处于孕育萌芽阶段。回顾迄今为止的四十余年的演化历程，展望未来趋势，从成长路径的角度，可以将中国信息系统研究发展大致分为4 个阶段，即起步探索阶段（20世纪80年代初至90年代中）、模仿借鉴阶段（20世纪90年代中至21世纪10年代初）、融合提升阶段（21世纪10年代初至20年代初）、创新发展阶段（21世纪20年代初起），如图2 所示。在每一个阶段，我国信息系统研究的发展轨迹呈现出S-型的学习曲线，反映出从缓慢起势、到快速扩展、再到饱和进阶的成长模式。每个阶段中信息系统研究的主题关注，体现了当时“信息系统赋能”组织、个人的主流形态特征和时代属性。在发展过程中，新技术和新环境的革命性冲击可能导致“跃迁”的发生。各阶段的特征如表1 所示。对于阶段演化而言，“跃迁”意指阶段的跨越和主题的迁移。主题体现着阶段的内涵，反映了阶段的主流研究议题和关注焦点。在阶段发生跨越时，主题也随之发生变化，形成新的主流议题和焦点。值得注意的是，跃迁意味数智赋能：信息系统研究的新跃迁管理科学与工程- -182《管理世界》2022年第1 期着学习曲线的不连续性，也就是说，不是沿着原有学习模式继续，而是开启全新的学习模式。此外，信息系统研究的深化不断提升着信息系统应用和赋能水平，特别是通过阶段跨越和主题迁移，推动了组织管理的深刻变革。信息系统不断发展成为产品、服务和业务模式创新的源泉，在管理创新中的核心作用愈加显著。1 . 起步探索阶段（20世纪80年代初至90年代中）在20世纪80年代初个人计算机（Personal Computer ，PC）作为革命性技术出现并逐渐应用于生产经营活动的背景下，在国家启动改革开放、建设“四个现代化”等战略举措的推动下，我国信息系统领域开始接触国际现代信息系统领域的先进理念和实践，探索计算机（及个人终端）、程序设计和软件在我国各类组织中的应用。此时，我国信息系统研究的焦点集中在内部价值链（Porter，1998）各个环节的业务活动从手工处理转向基于计算机的自动处理。这里，“手工→自动”成为研究主题关注的跃迁特征，旨在通过价值链各单元/ 单链环节的“自动化”及其更新迭代（包括这些单元/ 单链“自动化”系统的升级换代），实现信息系统赋能。典型的信息系统形态（Artifact）如办公自动化（Office Automation，OA）系统、电子数据处理（Electronic Data Processing，EDP ）系统、电子数据交换（Electronic Data Interchange，EDI）系统、会计信息系统、生产自动化系统、物料需求计划（Ma⁃terial Requirement Planning ，MRP）系统、制造资源计划（Manufacturing Resources Planning，MRPII）系统等。研究主要集中在“造”的视角下的系统维度（如系统分析与设计、数据库建模、软件工程等）。 研究方法论主要是围绕系统开发的设计科学（侯炳辉、吕文超，1993；郦永达、薛华成，1995；孙华梅等，2004）。2 . 模仿借鉴阶段（20世纪90年代中至21世纪10年代初）在20世纪90年代初互联网（Internet）作为革命性技术出现并不断向社会经济活动渗透的背景下，在国家改革开放加速、加入WTO以及“两化融合”等战略举措推动下，我国信息系统领域加速学习国际信息系统领域的先进经验，引入和借鉴既具有普适意义又契合国情的理论和方法。此时，我国信息系统研究的焦点集中在内部价值链的业务活动从单元/ 单链环节的自动处理转向面向所有环节的集成式处理。这里，“局部→整体”成为研究主题关注的跃迁特征，旨在通过价值链各环节的“集成化”及其更新迭代实现信息系统赋能。典型的信息系统形态如ERP 系统、信息门户系统、“三金”应用系统、电子商务系统等。一方面，研究仍然围绕“造”的视角下的系统维度（如系统设计与开发等）展开，同时开始纳入数据维度（如在线分析处理（On⁃line Analytical Processing ，OLAP）等）；另一方面，“用”的视角开始受到重视，主要是行为维度（如企业信息系统的采纳和使用行为等）。 研究方法论以设计科学和行为实证建模为主③。3. 融合提升阶段（21世纪10年代初至20年代初）在21世纪10年代前后以大数据为标志的新兴革 图2 中国信息系统研究阶段演化框架发展阶段维度特征主题关注跃迁特点信息系统形态研究视角研究方法论严谨性/ 相关性起步探索自动化手工→自动OA系统，EDP 系统，EDI 系统，MRP 系统，MRPII 系统等造（系统）设计科学相关性突出模仿借鉴集成化局部→整体ERP 系统，信息门户，三金系统，电子商务系统等造（系统/ 数据）用（行为）设计科学行为实证严谨性加强、相关性相对减弱融合提升数据化内部→内外部BA系统，社会化商务系统，推荐系统，数据平台系统等造（系统/ 数据）用（行为/ 经济学）设计科学行为/ 计量实证大数据驱动严谨性与相关性均明显提升创新发展数智化数据→数智可解释智能系统，因果推断决策系统，人机协同决策系统，赋能平台系统，业务生态系统等造（系统/ 数据）用（行为/ 经济学）设计科学行为/ 计量实证大数据驱动严谨性与相关性将进一步深化与并重发展表1 中国信息系统研究的发展阶段及其特征- -183命性技术出现并迅速渗透到社会经济活动的背景下，在国家“科技强国”、大数据战略、“互联网+/ 智能+ ”等战略举措推动下，我国信息系统领域整体水平显著提升，一大批具有中国情境特点又与国际知识体系相契合的理论和方法创新不断涌现，在研究主题、数据情境、研究方法论等方面都体现出与国际主流发展的融合。此时，我国信息系统研究的焦点集中在价值链各个环节的业务活动从内部整体集成式处理转向内外部数据的关联式处理。这里，“内部→内外部”成为研究主题关注的跃迁特征，旨在通过价值链各环节的“数据化”及其更新迭代实现信息系统赋能。值得一提的是，“数据化”具有鲜明的大数据时代特征：一是价值链视角的外拓，体现外部视角嵌入的跨界特点，使得管理决策需要考虑将内外部视角相关联；二是在感知设备以及物联网广泛并深度应用的环境中，“社会像素”快速提升使得数据粒度更加细化，许多价值链环节的业务活动已经变成或正在变成数据活动，因此内外部视角的汇聚就意味着内外部数据的关联（陈国青等，2018）。 典型的信息系统形态如企业商务分析（Business Analytics ，BA）系统、社会化商务系统、智能推荐系统、数据平台系统等。研究涵盖“造”与“用”视角，包括“造”视角下的数据维度（如智能推荐、模式发现等）和系统维度（如商务数据融合、平台设计等），以及“用”视角下的行为维度（如社会化行为、人机互动行为等）和经济学维度（如平台市场，价值测量等）。 研究方法论呈现多样性特点，既有数据驱动又有模型驱动，其中算法设计模型、行为构念模型、经济计量模型更为常见④。此外，面向大数据问题研究的新型方法论范式开始涌现（如“大数据驱动”（陈国青等，2018））。4 . 创新发展阶段（21世纪20年代初起）在21世纪20年代以来大数据和人工智能技术将持续产生革命性应用、智能算法（如深度学习等）将出现显著性进阶的背景下，在国家“十四五规划和2035远景目标纲要”、数字经济、数据要素与治理等战略举措推动下，我国信息系统领域将面临一系列新的发展机遇和深刻挑战，亦将产生信息系统研究的新跃迁。由此开始至未来的若干年间，一方面，“社会像素”提升到了一个相当高的程度，虽然“数据化”将仍在相关行业和应用领域继续得到推动，但“像素”扩张不再是发展的主基调。数据治理将成为新阶段中的焦点议题。另一方面，“像素成像”将成为创新发展的重点，高阶智能算法及其赋值将成为核心能力和竞争优势。在此阶段，我国信息系统领域的水平、话语权和影响力将上升到一个新的高度，进而对于世界学术新知和创新体系做出重要贡献。此时，我国信息系统研究的焦点集中在价值链各个环节的业务活动从内外数据关联式处理转向基于高阶数智技术的赋能处理。这里，“数据→数智”成为研究主题关注的跃迁特征，旨在通过价值链各环节的“数智化”及其更新迭代实现信息系统赋能。未来可能的典型信息系统形态如可解释智能系统、因果推断决策系统、人机协同决策系统、赋能平台系统、业务生态系统等。研究仍将涵盖“造”与“用”视角，主要将围绕人工智能的方法创新和赋能创新展开，包括“造”视角下的数据维度（如可解释人工智能、因果统计推断、知识图谱表示与推理等）和系统维度（如人机混合系统设计等），以及“用”视角下的行为维度（如治理下的生态行为机理、人机协同决策行为、机器行为学等）和经济学维度（如数据要素市场、治理机制设计、赋能价值等）。 在研究方法论方面，数据驱动、模型驱动及其扩展将不断持续，同时大数据驱动范式及其方法论形态将得到进一步丰富和深化。分析我国信息系统研究的发展进程，可以进一步发现下列显著特点和变化：第一是“严谨性”与“相关性”的关系方面。“严谨性”与“相关性”一直是国内外学界长期纠结的关系（Rai，2017）。“严谨性”主要是指研究的学术规范性和方法论范式认同性；“相关性”主要是指研究的实践贡献性和情境特殊性。这也在一定程度上反映了研究中的“世界与中国”关系。可以看到，在起步探索阶段，研究的“相关性”突出，面向自动化实现的信息系统设计、开发与实施成为重点，并与解决现实问题密切相关；研究方法多以框架流程、经验概括和定性思辨为主。在模仿借鉴阶段，研究的“严谨性”得到加强，例如，国际学界主流的行为实证方法得到重视，逐渐强调研究问题建模和求解的方法论范式，涉及理论基础、构念推演、实证设计和假设检验等；而对解决现实问题的关注减少，造成“相关性”相对减弱。在融合提升阶段，“严谨性”和“相关性”都得到明显提升，一方面，研究方法、规范性、学术话语体系与国际学界相接轨；另一方面，中国问题得到越来越多的国际关注，中国管理实践和数据情境越来越多地成为研究场景。而在创新发展阶段，期待“严谨性”和“相关性”的深化与并重将发展到更高水平，出现更多理论和方法创新，包括基于中国管理问题的重要创新，扩展和丰富国际学术体系和知识视数智赋能：信息系统研究的新跃迁管理科学与工程- -184《管理世界》2022年第1 期域，并指导中国乃至世界的管理实践。第二是我国学者的研究贡献和水平方面。在我国信息系统研究的发展中，一个重要事件是2005年统合形成了我国信息系统学界的主流学术共同体（CNAIS ），使得我国信息系统领域的广大学者得以进一步汇聚并在学术研究、人才培养和服务国家等方面取得了越来越多的成绩，同时积极促进了广大学者融入国际大舞台并发挥着越来越大的作用。近年来，我国学者的研究贡献和影响力得到了显著提升。仅以国际上公认的领域顶尖水平的五个信息系统学术成果平台⑤为例（即《MIS Quarterly》（MISQ），《 Information Systems Research》（ISR ），《Management Science》（MS），《Informs Journal on Computing 》（JOC ），《Journal of Management Information Sys ⁃tems 》（JMIS）），我们分析发现，1980~ 2020年期间总共4855篇研究成果中⑥，中国大陆学者（指作者单位来自中国大陆）参与的研究成果总数为198 篇，占比4 . 1 % 。其中，在1980~ 1995年期间总共1160篇成果中，没有中国大陆学者的贡献。1996~ 2010年期间总共1686篇成果中，中国大陆学者参与的有10篇，占比0 . 6 % ，其中最早的1 篇始于2001年（ISR ）（Krishnan et al.，2001）。 2011~ 2020年期间中国大陆学者参与贡献的成果数量和比例出现爆发性增长，在总共2009篇成果中，中国大陆学者贡献的成果数量达到188 篇，占比9 . 4 % 。此外，近年来陆续出现完全由中国大陆学者组成作者团队的研究成果，反映了中国大陆学者在团队层面的综合创新实力的显著提升。截至2021年6 月，完全由中国大陆学者组成作者团队的成果总共为8 篇，其中最早的分别发表于2015年（JMIS）（Lu et al. ，2015）、2016年（JOC ）（Zhang et al. ，2016a）、2017年（MISQ）（Guo et al.，2017）。第三是研究的数据情境方面。纵观各阶段信息系统研究的跃迁，“像素”的持续提高以及“成像”技术的更新升级意味着“数据+ 算法”的进阶，使得数据世界可以愈来愈清晰地反映现实世界。这在一定程度上影响着管理场景的数据情境在信息系统研究中的角色。近年来数据情境在高水平研究中的作用更为突出，特别体现在实证类理论假设验证的研究中、以及解析建模类的近似启发式求解的研究中。此外，中国管理场景的数据情境也越来越多地出现在研究中，受到国际学界的关注。例如在上述领域顶尖信息系统学术平台上中国大陆学者贡献的研究成果中，约40% 的成果是基于中国管理场景和相关数据，在一定程度上体现了中国特色与世界舞台的对接。值得一提的是，在大数据时代数据情境在研究中的角色日趋重要的同时，社会上对于数据价值的认识以及对于安全/ 隐私保护的关切使得研究人员在数据获取上面临严峻的挑战，这在进一步强调数据治理的“数智化”新跃迁中将更为突出。数据情境的“现场田野式”（而不是“离场获取式”）实验将进一步强调实地化和临场性，逐渐成为一类普遍的研究方式。三、大数据时代与“数智化”新跃迁如前所述，大数据技术和应用的迅猛发展使得数字化成为新的生活常态。随着感应探测技术和移动通讯技术的进步，以及智能终端的普及和深度应用，经济社会活动以更高的“像素”呈现出来。在“像素”提升的基础上，数字“成像”技术进一步发展，通过算法为现实世界建立全景式的、更加清晰的数字影像。从我国信息系统研究的阶段演化（图2）来看，大数据时代涵盖“融合提升”和“创新发展”两个阶段，正在经历信息系统主题关注和赋能从“数据化”到“数智化”的新跃迁。只有深入地认识大数据特征、揭示大数据管理决策的变化、探索新型研究方法论、发现新的研究方向和求解路径，才能更好地面向未来，应对研究挑战，把握创新机遇。（一）大数据特征对于大数据，可以从3 个属性维度来认识，即数据属性、问题属性、决策属性（陈国青等，2018），旨在厘清什么数据是大数据、什么问题是大数据问题、以及什么决策是大数据决策。大数据作为信息技术概念，其数据属性可以从规模性、多样性、价值密度、即时性等方面来描述。概括来说，大数据具有超规模、富媒体、低密度、流数据的属性，即大数据具有超出问题领域传统边界的规模、多模态（文本、图像、语音、视频等）的媒介类型、价值数据的低占比（相对总体数据）、平滑不间断的速度和临场感。一个问题被称作大数据问题，其至少具备3 个特点，即粒度缩放、跨界关联、全局视图。粒度缩放是指问- -185题要素的数据化，并能够在不同粒度层级间进行缩放。这需要基于数据感知、连接和采集获得足够细的粒度性，同时对于不同层级间的粒度转换具有分解和聚合能力。跨界关联是指问题要素空间外拓。这需要打破业务或行业边界，对要素约束和领域视角加以扩展，实现外部视角与传统视角的联动和协同，比如将内部数据与社会媒体内容等外部数据相关联，发掘创造价值的机会。全局视图则是指问题定义与求解具有全局性。这需要基于数据分析和平台集成的全景式“成像”能力，不再局限于单一或局部的角度，而是从更广泛的业务视角生成问题的整体画像及其动态演化。对于管理决策问题来讲，大数据决策的关键属性特征是“关联+ 因果”，避免出现“大数据只讲关联不讲因果”的误导。具体而言，面对“发生了什么”的问题，在业务层面需要了解业务状态，在数据层面需要具备数据粒度，在决策层面需要形成全局视图；面对“为什么发生”的问题，在业务层面需要了解业务联系，在数据层面需要具备数据连接，在决策层面需要形成因果对应；面对“将发生什么”的问题，在业务层面需要了解业务演化，在数据层面需要具备数据动态，在决策层面需要形成前瞻预判。（二）管理决策的转变在大数据环境下，领域情境、决策主体、理念假设、方法流程等决策要素正在发生着深刻变化（陈国青等，2020）。（ 1）在领域情境方面，支持管理决策的信息不再局限于组织或单一领域，而是纳入更加丰富的来源角度。比如，在财务管理决策中，传统的3 张报表（资产负债表、现金流表、利润表）可能难以对某些类型的企业（诸如一些IT 企业、创业企业、新业态企业等）进行有效的价值测量和运营能力判断，需要引入“第四张报表”对于数据资产（包括口碑、品牌、公允价值等）进行测量。（2）在决策主体方面，传统上常见的人作为决策主体、计算机辅助决策的情形开始被打破。有越来越多的智能机器人/ 智能系统可以承担独立决策任务，并在不同环节与人进行互动，甚至协同决策。比如，在人力资源管理决策中，智能机器人可以进行招聘筛选、岗位匹配、员工KPI 考核、领导力测量与判断等。其它领域也出现诸如财务机器人、智能投顾系统、客服机器人等大量“机器”决策的例子。（3）在理念假设方面，一些通过假设来概括和简化不可测不可获现象的情形也受到冲击，进而影响着基于这些假设而研发出来的许多经典决策模型。比如，在运营管理决策中，传统上假设顾客到达模式（如泊松分布）以及站点服务模式（如指数分布）的一类决策模型可能需要重新审视，因为现在根据数字轨迹感测到的到达和服务模式（如网络购物等）不一定满足模型的假设，进而决策模型的表达和求解都可能发生变化。（4）在流程方法方面，传统的决策理论中的决策过程通常是近线性的、分阶段的，但是现在的很多决策场景呈现出决策阶段/ 环节之间的复杂交错互动的非线性模式。比如，在营销管理决策中，传统的营销漏斗理论将用户转化路径分为“意识—考虑—购买—忠诚—宣传”，并采用“吸引—转化—销售—保留—联系”的营销策略。然而，在网络购物场景中，可以发现消费者在营销漏斗的各个阶段间的转换率和转换方向具有高度的概率随机性，而非线性步骤。综上所述，在大数据时代，管理决策要素正在发生着四大转变，即跨域转变、主体转变、假设转变、流程转变。这些转变对于信息系统研究的“造”与“用”正在并将持续产生深刻影响。（三）若干研究创新在大数据时代，信息系统研究的融合提升阶段（21世纪10年代初至20年代初）呈现出来的“数据化”跃迁，加快了“像素”的扩张提升和“成像”的技术迭代，带来了许多新的研究问题和创新机遇。这里将结合作者团队近年来的研究工作，围绕若干重要课题阐述建模思想并概括求解路径。其中，一些课题既是“数据化”跃迁所关注的新研究方向，又具有动态前沿性并将汇入“数智化”新跃迁的主基调。相关进展可以为正在到来的“数智化”主题关注的信息系统研究做出贡献并提供启发。具体研究创新主要包括“大数据驱动”研究方法论范式、“造”视角下的智能方法创新、“用”视角下的人机融合行为等方面。1 .“大数据驱动”研究范式前面提到，信息系统研究的传统主流范式是“模型驱动”和“数据驱动”，在大数据环境下各自在因果关系建模和关联模式探求方面分别具有优势和局限。鉴于此，探索新型研究方法论范式显得尤为重要。这里介绍数智赋能：信息系统研究的新跃迁管理科学与工程- -186《管理世界》2022年第1 期我们凝练的一类新型范式，称作“大数据驱动”范式，其是一类“数据驱动+ 模型驱动”的融合范式，面向大数据和管理决策情境，体现“关联+ 因果”的诉求（陈国青等，2018）。“大数据驱动”范式具有3 个要素特征，即：外部嵌入、技术增强、使能创新。外部嵌入是指通过引入外部视角，将大数据提供的、传统模型视角之外的一些新的重要变量（包括构念、因素等）引入到模型的变量集合中。通常新变量的引入将导致构建新型变量关系。技术增强是指通过机器学习等新型技术方法和工具将引入的新变量（如多模态富媒体变量）融入变量集合，并支持新型变量关系的构建。使能创新是指通过构建新型变量关系，形成大数据驱动的价值创造。概括说来，对于传统模型Y=F（X），外部嵌入是通过将新变量集合X new 引入到自变量集合空间X 中，形成新的变量集合空间X ' =X∪ X new 。进而使得变量关系F 也发生变化，形成新变量关系F ' 。这个过程中往往需要通过技术增强的途径来完成，比如：将视频类型的新变量引入，可能需要采用图像识别技术；将关联类型的新变量引入，可能需要采用模式发现技术等。此外，这个过程还意味着旧新变量（内外数据）的融合、新变量关系构建中的参数估计、因果推断、关系验证、预测能力等方面的技术使用和创新。使能创新主要针对新型变量关系F ' 的构建，以及由X '和F ' 导致Y ' 所体现的价值创造。以实证类模型和深度学习类模型为例，一方面，通过现象观察获得的实际数据，旨在验证变量间特定的关系假设（如显性线性解析关系），或发现变量间具有的影响因素（如隐性参数估计）等，进而在不同程度上“解释”自变量对于因变量的影响机理。相对来讲，具有显性解析关系表达的F ' 比隐性关联关系表达的F ' 具有更强的“解释力”。另一方面，通过获得的新型变量关系F ' ，可以对于“未来”进行一定的预测，比如，给定X '0 ，可以通过关系映射F ' 获得Y '0 = F '（X '0）。 如上所述，作为示例（如面向“用”的视角），图3 描述了一个“大数据驱动”研究范式的思路框架。下面以信息系统研究中一类主流模型（即实证类计量模型）为例对图3 做进一步阐释。首先，如果按照传统模型驱动的建模方式，人们根据特定领域视野、场景现象观察、知识文献积累和理论方法框架，可以通过设定具体的模型函数形式Y=F（X）对问题的相关变量及其关系进行刻画。虽然计量建模经过多年的发展产生了大量创新成果和模型形态（Greene ，2018；Athey and Imbens，2019），不失一般性，这里围绕经典线性模型形式进行讨论：（1）其中，Y i = α i + βTi X i 为关于因变量Y i 和自变量向量X i 之间关系的理论模型假设，α i 和βTi 分别为参数（向量），ε i为残差。基于实际数据的收集所获得的在观测点（X i ，Y i）上的取值，可以验证理论模型假设与实际数据情境之间的匹配情况（Goodness of Fit）。 具体说来，根据观察点取值和统计回归，可以获得对于参数α i 和βTi 的估计和 ，进而获得对于自变量和因变量之间关系的刻画估计（如： ）以及估计偏差（如：及其相关偏差测度）。 模型假设和实际数据情境之间的匹配情况决定了模型的解释力，其通常受到多个因素的影响，特别是模型函数关系形式及其性质、以及变量作用显著性等因素的影响。计量模型多以显式解析函数的形式在解释变量关系、揭示因果机理方面发挥着重要作用。然而，在一些情形下，特别是大数据环境中，传统模型驱动的计量模型面临着严峻挑战。第一，在建模时人们可能知道一些变量或因素是重要的，对于Y i 是有影响的，比如搜索/ 媒体等公众关注对于股价走势的影响、产品评论对消费者购买意愿的影响等，但是由于这些变量通常是多模态富媒体数据（如文本、语音、视频等），对于传统模型来讲属于“不可测不可获”，难以纳入到模型中，进而使模型的解释力受到限制。第二，在建模时人们由于视野格局、知识定式、工具弱缺等局限，可能意识不到也发现不了一些相关变量或因素的存在，故而难以将其纳入到模型中，也会使模型的解释力受到限制。第三，在建模时人们可能遇到需要探索不同变量组合的情形（特别是在大数据环境中，变量组合数通常是指数量级），而一个计量模型仅试图刻画一个变量组合 图3 “大数据驱动”研究范式示例Yi= αi+ βTiXi+ εiαຢi βຢTiYຢi= Fຢ( ) Xi= αຢi+ βຢTiXiYi- Yຢi- -187（X ，Y）之间的关系，探索各种可能的变量组合关系意味着需要构建大量模型，这显然是困难的并且在现实场景中甚至是不可行的。第四，在建模时人们可能难以将一些相关的变量纳入到原有模型框架中，因为有些变量可能导致整体变量关系不再是原有形式（如原有的线性函数形式），或有些变量是以潜隐形式存在，难以简单地进行显式表达。上述模型驱动的计量模型所面临的挑战可以沿循“大数据驱动”方法论范式来予以应对。首先，可以通过基于数据驱动方式的外部嵌入进行视角扩展，打破原有问题视角边界，引入跨域的变量X new ，形成新的变量空间：X ' =X∪ X new 。这个过程通常需要技术增强，如通过机器学习方法发现新变量，特别是相关的新变量组合，以聚焦和压缩变量空间和组合规模，进而有利于可能的因果建模。此外，在新视角带来的新变量引入的情形下，使能创新从价值创造的角度出发（如Y 的含义和影响机理），对变量间关系进行重新审视，探索函数扩展乃至模型重塑。一类常见的函数扩展是在原有函数形式的基础上进行变量增拓，如线性增拓：（2）另一方面，X new 的引入可能使得原有模型刻画的变量关系不再适用，需要揭示新型变量关系和函数形式Y ' =F'（X ∪ X new）以进行模型重塑。此时的建模过程可能具有更多的技术增强的色彩和“数据驱动+ 模型驱动”的融合式方法论特征，以形成新型函数关系（包括显式和隐式的映射表达）。 这里，显式解析函数、因果统计推断、可解释性深度学习等在体现“关联+ 因果”建模诉求中具有重要作用，也具有广阔的探索创新空间。2 . 智能方法创新智能方法创新及其算法设计是智能系统进阶的核心，也是信息系统研究的前沿课题。下面从“造”的视角下的数据维度出发，重点讨论智能方法创新方面的工作，主要包括“大数据—小数据”分析、新颖关系发现、可解释性建模等3 个方向的研究进展（图4）。（1）“大数据—小数据”分析。在大数据时代，虽然对于数据集合全体（大数据）的获取已成为可能，但是在很多应用场景中，由于数据获取的条件、成本、时间、乃至人们的认知能力、阅读心理等相关因素影响，人们面对或者能够直接处理的数据往往是有限的、部分的，许多决策是基于数据子集（小数据）的。这就产生了决策所依据的信息的不对称问题，如果不能通过小数据获得关于大数据全貌的洞察，就可能导致决策的偏差和失误。从这个意义上来讲，“大数据—小数据”分析是一个优化问题，旨在从大数据中提取小数据，使得小数据的语义尽可能接近大数据的语义（陈国青等，2021）。 形式化的来说，设管理场景下的集合语义测度为Semantics （·），给定初始大数据集合Big，目标是从中提取指定规模的小数据集合Small，使得Small与Big的语义偏差最小，即：（3）这里，映射fExtraction可表示为：（4）其中 为超减法运算，用以度量两者的语义偏差，且集合Small的规模为给定的整数K 。针对不同的管理场景和数据情境，语义测度定义也有所不同，小数据反映大数据语义的概念内涵，以及问题建模、求解路径以及管理决策意义都会有所不同。一类典型研究是代表性语义反映。代表性语义旨在以显式语义视角来获得一个数据实例小集合Small，以反映全体大数据集合Big 在实例内容上的对应关系（Ma et al. ，2017；Guo et al.，2017）。 比如在大量评论中提取出最有代表性评论，供用户参考；比如在企业Wiki 案例库中提取代Y ′i= α′i+ β ′Ti( Xi ∪ Xn ew, i) + ε′i图4 智能方法创新Sm al l = fEx t r a ct i o n( B i g)m axS ma l l  Bi g , | | S ma l l = K(1 - (Se m ant i c s ( ) B i g ⊖ Se m ant i c s ( ) Sm al l ) )⊂⊖数智赋能：信息系统研究的新跃迁管理科学与工程- -188《管理世界》2022年第1 期表性案例，供员工检索等。代表性语义提取旨在帮助用户在有限查看数量的约束下掌握尽可能全面的代表性语义。该求解问题是一个NP- 难的最大覆盖问题。研究通过证明该问题的子模性重要性质，并利用其满足边际收益递减的原则，设计了高效的贪婪启发式方法，得到代表性语义反映的子集会以（1 - 1 /e ）的近似程度逼近最优解。此外，其他相关研究还包括一致性语义反映和多样性语义反映。一致性语义反映旨在从隐式语义视角来获得一个与大数据集合Big 的概括性语义表达分布尽可能一致的数据实例小集合Small（Zhang et al.，2016a）。 一致性语义测度可以表达为两个集合内在属性取值分布形态的超减法运算，并可根据属性特征进行加权。针对这一具有NP- 难复杂度的问题，研究提出了一种增强型逐步寻优策略来进行求解，可更好地兼顾和协同语义分布一致性。多样性语义反映旨在以隐式语义视角来获得一个数据实例小集合，以求反映结构性语义与大数据集合尽可能相近，从而将多样性语义极大化体现（Ma et al. ，2017）。 多样性语义更加强调Small对Big的相应类别结构的覆盖程度。研究中通过信息熵来测量集合的“信息载量”，进而度量和计算两个集合的信息载量的多样性差异。基于此，设计了一个融合贪婪策略和模拟退火策略的组合算法，可得到多样性语义最大化的子集，并有效避免陷入局部最优解。（2）新颖关系发现。关系是一类重要的知识形式，是信息系统研究的重点之一。在大数据时代，人与人、物与物、人与物之间的连接和交互体现为数据之间的关系。换句话说，数据之间的关系可以通过特定映射形成特定的模式。概括说来，从商务分析方法创新的角度出发，研究问题可以表示为：基于大数据Big，设计新型映射关系模式fNovelty，以发现得到新颖的、潜在的并可能帮助获得竞争优势的关系模式Pattern 。即：（5）关系模式的例子有很多，比如关联规则、次序关系、替代关系、互补关系、竞争关系、捆绑关系等。在探测品牌间的竞争关系模式的研究中，基于产品品类基本数据（包含产品品牌），并结合搜索引擎日志大数据Big（包含用户联合搜索的产品属性，反映用户认知偏好），构建了相应的品牌竞争关系模式二部图模型。进而，提出了品牌竞争性测度及其相关性质，通过引入随机游走策略，设计了相应的品牌竞争关系分析算法。该算法可以有效地探测潜在市场竞争对手、发现相应的竞争属性及竞争动态（Wei et al.，2016）。此外，产品捆绑关系模式分析的研究工作将产品结构化数据和电商平台上的用户购买大数据Big进行融合后，从捆绑销售的视角，设计了Bundle（·）映射关系模式，并构建了相应的概率图模型和算法，通过刻画用户在产品属性特征（Feature）层面的偏好，实现个性化产品捆绑推荐（Liu et al. ，2017）。 另一项研究工作是产品替代/ 互补关系模式分析，即基于电商平台产品数据，融合多模态（如文本、图像）评论大数据Big，设计了面向评论语义发现的产品替代/ 互补关系模式Sub/ Com（·），提出了基于LDA 和神经网络模型的整合学习算法，用来识别反映消费者偏好的替代/ 互补产品（Zhang et al. ，2019）。 近期的研究还围绕次序关系发现及应用在不同场景和问题特征下展开探索，如：设计基于图卷积的嵌入平滑框架对网络购物中的行为次序及状态进行表征和推荐（Zhu et al.，2021c），设计新颖的相似测度和算法对医疗诊治的路径次序及效果进行表征和预测（Sun et al. ，2021）。（3）可解释性建模。在大数据时代，机器学习类方法尤其是深度学习方法得到了广泛应用并涌现出许多令人瞩目的成功实践。同时，在信息系统研究中智能算法的进阶也成为设计科学方向上方法创新的重要内容。然而，一些主流的深度学习方法（如深度神经网络等）的“黑箱”局限也逐渐凸显，进而影响这些方法在许多管理场景及其数据情境下的有效应用。特别是从管理决策的角度来看，探索因果是人类认识论的基本诉求，也是信息系统赋能的重要关注。如何在建模乃至学习、判别和分析中加入可解释性和因果机理的考量，是当前算法设计中的创新焦点。概括说来，可解释性建模的研究问题可以表示为：基于已有大数据Big，通过设计和构建具有可解释性的机器学习映射模型fExplainability，以获得具有可解释性的知识模式Knowledge，即：（6）这里，可解释性具有两层含义，一是映射关系fExplainability的内在生成机理的可解释性，二是映射结果的知识模式Knowledge的可解释性。通过将可解释性作为强化条件引入到机器学习模型中，并与其他要素一起进行P at t e r n = fN o vel t y( ) B i gK no w l e dge = fEx p l a i n a b i l i t y( B i g)- -189综合表征、测度和学习，可以实现机器学习性能优势和管理可解释性上的平衡。可解释性建模的研究意义体现在如下3 个方面。首先，可解释性作为约束引入机器学习时，有助于缩减求解空间，在植入先验可解释性的同时，还可帮助提高学习效率。其次，在机器学习后进行可解释性分析，即在基于机器学习的高精度水平上，着重聚焦于管理因果逻辑分析，以增强对管理决策的支持。最后，如能将可解释性机理和机器学习模型“紧耦合”，可形成对复杂管理问题“黑箱”机理的深入解析洞察。针对不同的管理场景和数据情境，近年来的若干研究重点围绕Ante-hoc（事先）可解释性建模开展研究。如在电商推荐场景下，基于多模态电商数据、嵌入“认知类型”注意力机制的个性化深度学习推荐模型（Guanet al.，2019），通过将消费者认知类型心理（Cognitive Styles）框架处理成一个注意力机制层并嵌入构建神经网络模型DeepMINE。该机器学习模型的输出结果不但具有良好的推荐精度，还可以提供关于消费者对多模态信息的认知偏好类型（即消费者对图片、评论和产品信息的个性化偏好分布）的探测和解释，提供对消费者个性化偏好的心理机制的解释，有助于改善个性化产品营销策略。另一项正在开展的工作是嵌入内在遗传算法机制的自解释产品标题优化建模，针对电商平台的大量产品标题雷同且高度竞争的情况，对于本质上是多方信息不断迭代学习优化的商家标题设计问题，构造了基于遗传算法的启发式学习模型（Mu et al. ，2021）。 该模型可以改善产品标题设计，同时可以获得全程清晰的寻优路径、并可被商家理解。此外，在“营销漏斗”增强的动态Bayesian 推荐模型的研究中，将消费者在线购物序列行为与营销管理中的“营销漏斗”理论框架相结合，可以有效地探测和捕捉消费者的购物状态及相互转化轨迹（Wei et al.，2021）。 这不但为消费者的动态多阶段的行为提供了反映消费者内在动机的管理解释性，也可以更好地支持智能推荐和营销策略设计。3 . 人机融合行为人与智能机器人（智能系统）协同交互行为是信息系统研究的前沿课题。下面从“用”的视角下的行为维度出发，重点讨论智能系统服务中的用户感知与行为、大数据行为偏差的产生机理与纠正策略、虚拟现实/ 增强现实中的感知行为机理与交互设计3 个方向的研究进展（图5）。（1）智能系统服务中的用户感知与行为。在人机融合环境中，以往由人提供的服务（例如餐厅服务、商场导购、售后客服、在线教育、记账会计等），逐渐转向由人和智能机器人共同提供，甚至完全由智能机器人来提供。换句话说，从行为的角度，这些以往完全由人担任的工作，日益转变为由人和机器共同担任，或是完全由机器所担任。由此引发了一个重要问题：当用户接受和使用人类主体、人机融合主体、智能机器人主体所提供的服务时，其感知和行为规律有何不同？进一步来说，智能机器人的行为设计应当以模拟人的行为作为目标，还是应当有其独特的设计目标？对这类行为规律的研究工作刚刚起步，是信息系统行为理论的重要拓展方向，同时也是“机器行为学”（Rahwan et al. ，2019）的重要组成部分。在这一方向上的研究与实践已经发现，用户面对机器人和人类所提供的服务时，其心理期望、情绪唤起、行为反应都存在着显著的不同（Mende et al.，2019）。 围绕在线客服和在线学习场景，我们近期的一项探索性研究分析了智能客服机器人的参与对在线客服的影响，发现智能机器人的引入显著增加了用户的服务时长，降低了用户抱怨，从而提升了满意度，但并不显著影响用户对人工服务的需求（Wang et al.，2020）。 在引入了游戏化竞争机制的在线学习场景中，另一项研究发现战胜人类对手比战胜智能机器人对手更能促进学习者的自我调节，从而提升其平台使用强度和学习效果。同时，对于具有高社会比较倾向或高成绩目标取向的学习者，输给机器对手比输给人类对手更能促进其自我调节，进而提升其学习效果。这些发现可以在归因理论和自我调节理论的基础上得到有效的解释（Deng et al. ，2020）。 针对在线学习中的反馈指导场景，我们 图5 人机融合行为数智赋能：信息系统研究的新跃迁管理科学与工程- -190《管理世界》2022年第1 期发现相比于来自人类指导者的反馈，当学习者收到来自智能机器人指导者的主观维度负向反馈时，他们所感知的反馈公平性、可靠性和满意度均会明显降低，但如果智能机器人指导者向学习者提供对这些反馈的形成原因和过程的说明，则能够有效地提高学习者对反馈的感知水平。（2）大数据行为偏差的产生机理与纠正策略。当前的许多智能系统使用用户行为记录数据及用户生成内容（User Generated Content ，UGC ）训练模型，从而对用户的特征与偏好进行估计，对要素的变化进行预测，从而做出个性化推荐或在特定情形下作为用户代理进行决策。然而，模型得出的估计和预测，不可避免地存在着一定程度的误差和不确定性（Zhang et al.，2016b），进而对用户的感知和行为产生影响。例如，智能推荐系统可能使得用户对于产品的期望、评价、购买意愿、满意度等产生一系列的变化，并对用户的后续点击、购买、分享、评论创作等行为产生影响。这些影响所形成的感知偏差（例如由于锚定效应、顺序效应的作用，用户对产品的评价因系统的推荐而提升）以及自选择偏差（例如用户更多接触到被推荐的产品，从而更倾向于购买这些产品）被带入到用户行为数据和UGC 中，且被用于模型的训练。这样的循环导致数据偏差和行为偏差往复重塑，一方面使得有偏的数据在智能系统模型中持续放大和扩散，引起模型算法的效力降低甚至最终失效；另一方面也使得用户陷入有偏的信息环境和行为模式中，囿于信息茧房的困境。因此，对于这类行为偏差的产生机理与纠正策略的研究，已成为信息系统行为研究中一个亟待突破的重要方向。我们在这方面的一项研究工作探索了智能个性化推荐的顺序效应（Guo et al.，2016）。 现有的个性化推荐系统绝大部分聚焦于以技术手段预测消费者对产品的偏好。相关研究与实践均默认假设被推荐的产品应该按照所预测的用户偏好水平降序排列。然而，在用户认知评价更新的过程中，以不同顺序依次呈现推荐产品，可能导致用户对产品的不同评价结果。理论及实验研究指出，当产品属性的可评价水平及消费者对产品属性的关注度符合特定条件时，在对比效应、光环效应的综合作用下，对产品进行升序或混序排列，有助于提升消费者感知及购买意愿。该发现揭示了对产品属性的可评价水平、消费者属性关注度进行估计和预测以及优化排序算法的重要性，为智能推荐系统的方法创新提供新的目标方向和设计途径。此外，在偏差纠正策略的设计方面，一项研究旨在防止用户将感知偏差和自选择偏差带入行为和UGC 数据中。针对从众偏差，基于灵活校正理论和估值理论设计出一种包含排序任务的风险预警策略，并通过递进实验验证了该策略的去偏效力，为数据偏差治理提供了理论和实践参考（Wu et al. ，2017）。 另一项研究基于偏差样本对消费者自选择行为规律进行建模，旨在消除数据偏差对机器学习模型的影响。围绕电商平台评论有用性投票的自选择偏差场景，提出了一种基于贝叶斯概率迭代策略，可在严重偏差情形下有效校正对于评论有用性的估计，并通过用户行为实验验证了其纠偏效果（Guo et al.，2021）。（3）虚拟现实/ 增强现实中的感知行为机理与交互设计。虚拟现实（Virtual Reality，VR）和增强现实（Aug⁃mented Reality，AR）是人机融合智能系统发展的一个重要组成部分。虚拟现实利用计算机仿真产生三维空间的虚拟世界，提供视觉、听觉等感官的模拟，使用户获得身临其境的感觉，并实时地与三维空间内的事物互动。增强现实则通过影像传感和实时图像分析等技术，使计算机所呈现的虚拟世界能够与现实世界场景进行结合与交互。虚拟现实和增强现实具有沉浸感（Immersive）、交互性（Interactive）、想象性（Imagination ）等重要特性。当虚拟现实和增强现实技术被引入到人机融合的智能系统中时，这些特性会对用户的感知和行为产生怎样的作用，如何基于这些作用的机理提升人机融合智能系统的交互设计，已成为信息系统领域行为研究的另一个重要的前沿方向。针对VR/AR 的信息系统行为研究已在多种不同的场景下展开探索。例如，VR技术为消费者创造了全新的线上产品体验，正在开展的一项研究工作针对VR在地产行业的应用，探索了VR家居产品体验如何影响消费者的信息处理和产品探索行为，以及这种影响在不同类型消费者间的差异（Zhu et al.，2021b）。 基于具身认知理论，通过实验室实验及口语报告分析、眼动轨迹、交互行为分析等多种数据采集手段，研究发现相比于传统的桌面式产品体验方式，消费者在虚拟现实产品体验中更能进行心理想象，因而会更详细地处理产品信息；他们也会有更高的情绪唤起程度，因而更倾向于探索和尝试新颖产品。VR技术的这种影响在低产品经验的- -191消费者中更为突出。另一项近期研究针对多人协作的VR应用场景，考察了用户虚拟化身的设计如何影响用户的任务表现（Zhu and Yi ，2021）。 研究发现虚拟化身与自身的相似性会直接影响用户在虚拟世界中的自我认知，进而影响他们的自控力和创造力，使用户在不同类任务（程序性或创造性）中的表现有所差异。而结合AR技术，通过聚焦于AR智能眼镜最广泛的工业应用场景（如设备检验和维护），同时基于视觉搜寻和注意力转换相关理论，我们探索叠加在真实环境中的虚拟信息的内容和交互设计（如针对重点程序的实时信息引导和安全预警）对操作人员工作效率和准确性的影响（Zhu et al.，2021a）。 通过实时记录一线工作人员的工作过程，AR眼镜辅助工作系统也成为了知识管理的沉淀器。如何进一步实现知识管理智能化，提炼更有针对性的、个性化的信息并反馈到虚拟呈现中以提升员工的工作绩效和动机，是未来很有潜力的研究课题。（四）“数智化”新跃迁前面提到（参见图2 和表1），“数智化”是我国信息系统研究在创新发展阶段的主题关注，是在前阶段“数据化”基础上主题关注的跨越式变迁，体现了信息系统赋能的显著进阶。“数智化”新跃迁的特点从“造”与“用”的视角出发，反映了“能力—赋能”的关系，可以从数据、算法、赋能的层面进行审视。1 . 数据层面数据作为现象观测和初始事实（Raw Fact ）的反映，在感测覆盖面上的外化和表达颗粒度上的细化，意味着数据可以在不同宏微观程度上对于现实世界的图景进行刻画。此外，数据还以不同的形态作为“输入”（In ⁃put）参与到多环节的信息生成和价值创造中。借助数据感测和存储基础设施（如物联网、云平台）的发展，通过这种外化、细化以及参与价值创造的进程，数据作为“素材”为进一步的加工和利用服务。正如烹饪，这种进程是备料的过程，为精美菜肴的制作提供更丰富、更精细的食材。进一步用“像素”来比喻，这种进程意味着“像素”的扩张和提升，旨在为进一步的“成像”提供数字基础。在大数据时代，“数据化”大大推动了这种进程向覆盖面更广阔、颗粒度更细微、参与性更深入的位势发展，具有超规模、富媒体、低密度、流数据等属性特征的数据形态成为主流，同时引入外部视角（如社会媒体、用户生成内容等）开拓了视界，对具有跨界关联特征的内外部数据融合决策起到重要推动作用。这里，“数据化”使得“像素”急剧扩张提升，现实世界被数据世界表达的程度日新月异。此时，人们对于数据的感测、采集和可能的应用多呈开放摸索态度，大大加速了数据积累，提升了数字经济的活跃度。进而，在“数智化”新跃迁的情境下，尽管“像素”扩张提升将继续在各行各业得到发展，但是，随着学界、业界、社会大众对于数据安全、隐私保护、数据权属、共享机制、数据要素市场等问题的日益关切，数据治理将成为一个焦点关注。针对“大数据杀熟”、“平台垄断”、“Apps过度索权”等的一系列治理举措，包括新近出台的《数据安全法》（全国人大，2021b）、《 个人信息保护法》（全国人大，2021c）以及其它正在讨论制定的数据保护与使用相关的法律法规，将在数字经济规模发展的同时进一步提升其发展水平。换句话说，“数智化”新跃迁将在数据层面通过数据治理更追求平衡发展。2 . 算法层面算法作为对数据进行加工处理的方式方法，通过面向活动、流程、行为等的建模，可以对现实世界的多样性、动态感和状态转换进行刻画。借助于高效能计算平台等基础设施的发展，算法旨在加速这种多样融合、动态演化和转换效果的进程，以便能够多快好省地进行数据“素材”的加工处理。正如烹饪，根据备好料的食材（数据），按照特定的菜谱进行菜肴制作（算法）。 进一步比喻，算法根据“像素”进行“成像”。“成像”效果既取决于“成像”技术（算法）的优劣，也取决于“像素”（数据）的质量。在大数据时代，“数据化”加速的“像素”扩张提升和海量数据积累，为算法建模和应用的繁荣提供了广袤的空间。各类算法及其应用创新渗透到经济社会活动的方方面面，大大促进了广大组织和个人的价值创造过程乃至数字经济的发展，包括数字化转型和新业态的涌现。此时，若干典型的算法形态诸如：面向大数据属性特征的多模态处理算法、支撑外部视角引入和跨界关联特征的内外数据融合算法、面向行为轨迹和个性化偏好的模式发现和推荐算法、基于人工神经元网络的深度学习算法等等。进一步，在“数智化”新阶段，随着“像素”扩张提升到新的高度，“成像”将成为关注焦点。换句话说，在食材相当丰富的情况下，菜肴的制作及其水平成为重点。此时，算法成为竞争、创新、发展的数智赋能：信息系统研究的新跃迁管理科学与工程- -192《管理世界》2022年第1 期核心能力，各类算法面临着全面升级，特别是算法的智能化进阶。高阶智能将成为算法层面的焦点关注，特别是在人机融合以及因果决策的情形下。可以看到，算法的进阶将沿着方法创新和应用创新的方向展开，若干主要的前沿课题包括：面向特定任务的智能算法设计和升级、面向任务分解聚合的分布式统计推断和联邦学习、面向自然语言处理和语义理解的智能算法设计与知识图谱构建、面向人机融合行为与决策情境的智能算法设计、面向因果推断和可解释性的智能算法创新等等。特别值得一提的是，智能算法的可解释性日益受到关注。简单说来，算法的可解释性可以通过3 个方面予以体现：一是算法内在生成机理的表示，二是算法携载业务逻辑的表示，三是算法反映行为模式的表示。通常，显性表示比隐性表示具有更高的可解释性。这里，具有广阔应用前景和巨大潜力的、基于深度学习的人工智能算法在可解释性方面的创新和突破，是高阶智能算法领域的主攻方向，相关进展具有重要的理论与实践意义。综上所述，“数智化”新跃迁在算法层面将通过技术方法创新更追求智能发展。3 . 赋能层面信息系统赋能在不同阶段随着主题关注的变化呈现出不同的特点。“数智化”在“数据化”的基础上，更凸显出数据层面的治理和算法层面的智能，进而深刻影响着赋能及其价值创造的过程。这里从“治—智”两个方面进行简单讨论。一方面，数据治理的加强利于促进数字经济的良性可持续发展，有助于形成健康的数字生态。在此过程中，一些现有的业务生态平衡可能受到冲击，进而需要赋能方式的转变和相关商业模式的重塑。比如，在电商类平台生态场景中，若某些个人行为和隐私数据的收集和使用受到限制，则基于这些数据的算法应用的效果甚至可行性将受到严重影响，使得以此为核心的商业模式的竞争力降低或失效。这种情形下，平台生态各方的行为可能发生某些变化（Sun et al. ，2020）：（ 1）由于难以获得匹配消费者兴趣的商品推荐，消费者可能离开平台或转向平台的其它板块（如从匹配推荐转向关键词搜索）；（ 2）由于个性化推荐不得不转向“大众化”推荐，推荐的商品将越来越呈现长尾分布，使得服务小众的长尾商品难以得到关注，相关商家可能选择退出平台、或丧失个性化商品创新和服务的动力而转向平台上的大众商品市场；（3）平台的商业模式和盈利策略可能需要调整，其它业务板块（如关键词搜索、竞价广告等）的联动效应需要综合评估；（4）平台业态可能面临调整转型，将导致各类平台市场的竞争态势产生变化，例如重构垂直专业化平台市场以及面向营销漏斗下端“刚需”程度高的市场。此外，数据治理还意味着对于数据利用（包括算法应用）上价值取向的重视，如商业伦理、社会责任、法律法规等方面。另一方面，算法智能的加强可能冲击着一些现有的组织个体的行为理论和模式。随着具有高阶智能特征的算法设计和应用的快速发展，“机器”（即智能机器人/ 智能系统）将在社会经济活动中扮演越来越不可忽视的角色。机器的任务完成能力和自主决策能力的提升，使得人机融合场景成为业界和学界日益重视的话题。比如，机器行为是否可能超越人类的设计这样的问题已经引起关注，学界也呼唤（如在《Nature》杂志）开展“机器行为学”的研究（Rahwan et al. ，2019），探讨人机融合场景中的人的行为、机器行为以及人机协同行为等。确实，高阶智能机器行为给经济管理领域可能带来的影响是深刻的，进而对信息系统研究的影响是不言而喻的。从传统社会科学中的心理、认知、社会网络，到管理学中的消费者行为与组织行为，到经济学中的效用函数与理性假设等，都是关于人的认识。当机器作为一类行为和决策主体加入进来之后（即“主体转变”）（陈国青等，2020），人机共存形成了新的场景（包括虚拟/ 数字孪生场景）。 此时，传统的以人为对象的一系列理论和方法需要被重新审视，新的理论方法在以人机为对象的新场景中将得以构建和发展。这里，信息系统赋能主要以“智能+ ”的方式开展，并以面向高阶智能的信息系统能力构建为基础。综上所述，“数智化”新跃迁在赋能层面将在“治—智”新形势下更追求重塑与拓新。四、结束语本文阐释了信息系统学科领域的若干重要概念，提炼分析了信息系统研究的“造”与“用”视角，并刻画了我国信息系统研究的阶段演化框架。从阶段跨越和主题变迁的角度出发，讨论了我国信息系统领域伴随着我- -193国改革开放和国家发展的进程，解析了“自动化”、“集成化”、“数据化”、“数智化”的跃迁特点。进而，结合作者团队近年的若干研究工作，从“大数据驱动”研究方法论范式、智能方法创新、人机融合行为3 个方面概述了相关的建模和求解思路。最后，针对“数智化”新跃迁，分别从数据、算法、赋能的层面讨论了信息系统研究面临的新挑战和新机遇，特别是在“治—智”关注下的前沿课题和创新空间。本文旨在厘清对于信息系统和大数据的若干认识，分析管理决策情境下信息系统领域的研究属性、探索方向、范式转变以及数据场景，并进一步洞悉数智赋能的价值创造特点。本文的意义主要体现在以下两个方面。首先，深刻理解信息系统研究阶段演化特征，展望数智化新跃迁带来的新方向、新方法、新场景，从而对信息系统领域乃至管理学研究的未来方向和探索路径提供前瞻性启发。另外，通过推动扎根于中国管理实践并具有国际视野的信息系统研究的发展，在加速数字化转型、促进数字经济发展的进程中，充分发挥科学研究对创新发展的驱动力，更好地贡献人类新知并服务国家发展战略。（作者单位：陈国青、卫强、郭迅华、易成，清华大学经济管理学院；任明，中国人民大学信息资源管理学院）注释①参见《习近平在中国共产党第十九次全国代表大会上的报告》，新华网，2017年。②亦即管理信息系统（Management Information Systems ，MIS）及其相关概念内涵。③参见CNAIS（China Association for Information Systems）学术会议文集：CNAIS 2005- 2009。④参见CNAIS 学术会议文集：CNAIS 2011- 2019。⑤参见UTD 24（https ：//jindal.utdallas.edu/the-utd-top-100 -business-school-research-rankings/list-of-journals）和FT50（https ：//info⁃guides.pepperdine.edu/FT 50）。⑥这里不包括《Management Science》和《Informs Journal on Computing 》中那些非信息系统领域的研究成果。参考文献（1）陈国青、吴刚、顾远东、陆本江、卫强：《管理决策情境下大数据驱动的研究和应用挑战》，《 管理科学学报》，2018年第7 期。（2）陈国青、曾大军、卫强、张明月、郭迅华：《大数据环境下的决策范式转变与使能创新》，《 管理世界》，2020年第2 期。（3）陈国青、张瑾、王聪、卫强、郭迅华：《 “大数据—小数据”问题：以小见大的洞察》，《 管理世界》，2021年第2 期。（4）国务院：《促进大数据发展行动纲要》，国发〔2015〕50号，2015年。（5）侯炳辉、吕文超：《我国信息系统发展道路与模式的探讨》，《 清华大学学报（自然科学版）》，1993年第3 期。（6）郦永达、薛华成：《智能决策支持系统的人机接口初探》，《 系统工程理论与实践》，1995年第12期。（7）全国人民代表大会（全国人大）：《 中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》，人民出版社，2021年a 。（8）全国人民代表大会（全国人大）：《 中华人民共和国数据安全法》，法律出版社，2021年b 。（9）全国人民代表大会（全国人大）：《 中华人民共和国个人信息保护法》，法律出版社，2021年c 。（10）孙华梅、李一军、黄梯云：《管理信息系统的发展与展望》，《 运筹与管理》，2004年第13期。（11）沃伦·麦克法兰、理查德·诺兰、陈国青：《IT 战略与竞争优势》，高等教育出版社，2003年。（12）中国共产党中央委员会（中共中央）：《 中国共产党第十八届中央委员会第五次全体会议公报》，人民出版社，2015年。（13）中国信息通信研究院（信通院）：《 中国数字经济发展白皮书（2020年）》，2020年。（14）中共中央、国务院：《关于构建更加完善的要素市场化配置体制机制的意见》，人民出版社，2020年。（15）中华人民共和国工业和信息化部（工信部）：《 2021年1 - 4 月互联网和相关服务业运行情况》，2021年。（16）Abadie ，A. ，2005，“Semiparametric Difference-in-differences Estimators ”，Review of Economic Studies，72（1），pp.1 ~ 19.（17）Athey，S. and Imbens，G. W.，2019，“Machine Learning Methods That Economists Should Know About”，Annual Review of Eco⁃nomics ，11，pp.685 ~ 725 .（18）Booch，G. ，Maksimchuk，R. A.，Engle，M. W.，Young，B. J. ，Conallen ，J. and Houston ，K. A.，2007，Object-Oriented Analysis andDesign with Applications，Addison-Wesley Professional.（19）Davis，F. D.，1989，“Perceived Usefulness ，Perceived Ease of Use，and User Acceptance of Information Technology”，MIS Quarter⁃ly ，13（3），pp.319 ~ 340 .（20）DeLone，W. H. and McLean，E. R.，1992，“Information Systems Success：The Quest for the Dependent Variable”，InformationSystems Research ，3（1），pp.60~ 95.（21）Deng，H. ，Guo，X. ，Lim ，K. H. and Chen ，G. ，2020，“Human-versus Computer-Competitors ：Exploring the Relationships betweenGamified Competition and Self-regulation in E-learning ”，in Proceedings of2020International Conference on Information Systems （ICIS2020）.（22）Gane，C. and Sarson ，T. ，1979，Structured Systems Analysis：Tools and Techniques ，Prentice-Hall.（23）Greene ，W.，2018，Econometric Analysis （8thEdition ），Pearson India.（24）Guan，Y. ，Wei，Q. and Chen，G. ，2019，“Deep Learning Based Personalized Recommendation with Multi-view Information Integra⁃tion ”，Decision Support Systems，118 ，pp.58~ 69.（25）Guo，X. and Chen，G. ，2005，“Internet Diffusion in Chinese Companies ”，Communications of ACM，48（4），pp. 54~ 58.（26）Guo，X. ，Chen，G. ，Wang，C. ，Wei，Q. and Zhang ，Z. ，2021，“Calibration of Voting-Based Helpfulness Measurement for Online Re ⁃数智赋能：信息系统研究的新跃迁管理科学与工程- -194《管理世界》2022年第1 期views：An Iterative Bayesian Probability Approach”，INFORMS Journal on Computing ，33（1），pp.246 ~ 261 .（27）Guo，X. ，Wei，Q. ，Chen，G. ，Zhang，J. and Qiao ，D. ，2017，“Extracting Representative Information on Intra-Organizational BloggingPlatforms ”，MIS Quarterly ，41（4），pp.1105~ 1127.（28）Guo，X. ，Zhang，M.，Yang，C. and Chen，G. ，2016，“Order Effects in Online Product Recommendation ：A Scenario-based Analy⁃sis”，in Proceedings of the 22th Americas Conference on Information Systems （AMCIS 2016）.（29）Hevner ，A. R.，March，S. T.，Park ，J. ，Park ，J. and Ram ，S. ，2004，“Design Science in Information Systems Research”，MIS Quar⁃terly ，28（1），pp.75~ 105 .（30）Imbens ，G. W. and Lemieux，T. ，2008，“Regression Discontinuity Designs ：A Guide to Practice”，Journal of Econometrics ，142（2），pp.615 ~ 635 .（31）Kline，R. B.，2016，Principles and Practice of Structural Equation Modeling（4 th ed.），Guilford publications.（32）Krishnan ，R. ，Li ，X. ，Steier，D. and Zhao，J.L. ，2001，“On Heterogeneous Database Retrieval ：A Cognitively Guided Approach”，Information Systems Research，12（3），pp.286 ~ 301 .（33）LeCun ，Y. ，Bengio ，Y. and Hinton ，G. ，2015，“Deep Learning”，Nature ，521（7553），pp.436 ~ 444 .（34）Liu，G. N.，Fu，Y. J. ，Chen，G. Q.，Xiong，H. and Chen，C. ，2017，“Modeling Buying Motives for Personalized Product Bundle Rec⁃ommendation”，ACM Transactions on Knowledge Discovery from Data，11（3），pp.1 ~ 26.（35）Lu，B. ，Guo，X. ，Luo，N. and Chen，G. ，2015，“Corporate Blogging and Job Performance ：Effects of Work-related and Nonwork-re⁃lated Participation ”，Journal of Management Information Systems，32（4），pp.285 ~ 314 .（36）Ma，B. ，Wei，Q. ，Chen，G.Q. ，Zhang，J. and Guo ，X. ，2017，“Content & Structure Coverage：Extracting a Diverse Information Sub⁃set”，INFORMS Journal on Computing ，29（4），pp.660 ~ 675 .（37）Mende，M.，Scott ，M. L.，Van Doorn，J. ，Grewal ，D. and Shanks，I. ，2019，“Service Robots Rising：How Humanoid Robots Influ⁃ence Service Experiences and Elicit Compensatory Consumer Responses”，Journal of Marketing Research ，56（4），pp.535 ~ 556 .（38）Mu，Y. ，Wei，Q. and Chen，G. ，2021，“Encoding Consumer Interests into Product Snippets with a Multi-Criteria Optimization Ap ⁃proach ”，Working Paper.（39）Nolan，R. L.，1973，“Managing the Computer Resource ：A Stage Hypothesis”，Communications of the ACM ，16（7），pp.399 ~ 405 .（40）Porter，M. E.，1998，Competitive Advantage：Creating and Sustaining Superior Performance，New York：Free Press.（41）Rahwan，I. ，Cebrian，M.，Obradovich ，N. ，Bongard，J. ，Bonnefon ，J. F. ，Breazeal，C. ，Crandall，J. W.，Christakis，N. A.，Couzin ，I. D. ，Jackson，M. O.，Jennings ，N. R.，Kamar ，E. ，Kloumann，I. M.，Larochelle，H. ，Lazer，D. ，McElreath，R. ，Mislove，A. ，Parkes ，D. C.，Pentland ，A. ，Roberts，M. E.，Shariff ，A. ，Tenenbaum ，J. B. and Wellman ，M.，2019，“Machine Behaviour ”，Nature ，568 ，pp.477 ~ 486 .（42）Rai，A. ，2017，“Avoiding Type III Errors：Formulating IS Research Problems That Matter ”，MIS Quarterly ，41（2），pp.iii~vii.（43）Shi，Y. ，Larson ，M. and Hanjalic ，A. ，2014，“Collaborative Filtering beyond the User-Item Matrix：A Survey of the State of theArt and Future Challenges”，ACM Computing Surveys，47（1），pp.1 ~ 45.（44）Sun ，L. ，Liu，C. ，Chen，G. ，Guo，C. ，Xiong，H. and Xie ，Y. ，2021，“Automatic Treatment Regimen Design ”，IEEE Transactions onKnowledge and Data Engineering ，33（11），pp.3494~ 3506.（45）Sun ，T. ，Yuan，Z. ，Li ，C. ，Zhang，K. and Xu，J. ，2020，“The Value of Personal Data in Internet Commerce：A High-Stake FieldExperiment on Data Regulation Policy ”，available at SSRN：https ：//ssrn.com/abstract=3566758 .（46）Wang，L. ，Huang，N. ，Hong，Y. ，Liu，L. ，Guo，X. and Chen，G. ，2020，“Effects of Voice-Based AI in Customer Service：Evidencefrom a Natural Experiment”，In Proceedings of2020International Conference on Information Systems（ICIS 2020）.（47）Wei，Q. ，Qiao ，D. ，Zhang，J. ，Chen，G. and Guo ，X. ，2016，“A Novel Bipartite Graph Based Competitiveness Degree Analysis fromQuery Logs ”，ACM Transactions on Knowledge Discovery from Data，11（2），pp.1 ~ 25.（48）Wei，Q. ，Mu，Y. ，Jiang，W.，Chen，G. and Guo ，X. ，2021，“Dynamic Bayesian Network Based Product Recommendation Consider⁃ing Consumer ’s Multi-stage Shopping Journey：From a Marketing Funnel Perspective ”，Working Paper.（49）Wu，D. ，Guo，X. and Chen，G. ，2017，“Mitigating the Dependence Bias in Online Ratings：A‘Consider-the-Opposite ’Strategyfor Scale Prompting”，In Proceedings of2017International Conference on Information Systems（ICIS 2017）.（50）Zhang，Z. Q.，Chen，G. Q.，Zhang，J. ，Guo，X. H. and Wei，Q. ，2016a ，“Providing Consistent Opinions from Online Reviews ：AHeuristic Stepwise Optimization Approach”，INFORMS Journal on Computing ，28（2），pp.236 ~ 250 .（51）Zhang，M.，Guo，X. and Chen，G. ，2016b ，“Prediction Uncertainty in Collaborative Filtering：Enhancing Personalized Online Prod⁃uct Ranking”，Decision Support Systems，83（1），pp.10~ 21.（52）Zhang，M.，Wei，X. ，Guo，X. Chen，G. and Wei ，Q. ，2019，“Identifying the Complements and Substitutes of Products：A NeuralNetwork Framework Based on Product Embedding ”，ACM Transactions on Knowledge Discovery from Data，13（3），pp.1 ~ 29.（53）Zhu ，R. ，Li ，T. and Yi，C. ，2021a ，“Reminder Design on Augmented Reality Smartglasses：The Effect of Information Modality onAttention and Work Performance ”，Working Paper.（54）Zhu ，R. and Yi，C. ，2021，“Avatar Design in Virtual Reality ：The Effects of Similarity in Procedural and Creative Tasks ”，Work⁃ing Paper.（55）Zhu ，R. ，Yi ，C. and Jiang，Z. ，2021b ，“Breaking Boundaries in Virtual Product Experience：The Effects of Immersive VR on Infor ⁃mation Elaboration and Exploration ”，Working Paper.（56）Zhu ，T. ，Sun ，L. and Chen，G. ，2021c ，“Graph-Based Embedding Smoothing for Sequential Recommendation ”，IEEE Transactionson Knowledge and Data Engineering，accepted.- -195Data-Intelligence Empowerment: A New Leap ofInformation Systems ResearchChen Guoqinga, Ren Mingb, Wei Qianga, Guo Xunhuaaand Yi Chenga(a. School of Economics and Management, Tsinghua University;b. School of Information Resource Management, Renmin University of China)Summary: While big data and artificial intelligence technologies continue to rapidly advance and to deeply fusewith social and economic activities, data governance and high-level intelligence, along with data-intelligence empow⁃erment, are becoming focal points of digital economy, leading to a new leap for information systems research. At theimportant juncture in the era of big data with a series of new changes in digital life, business transition and emergingindustries, this article aims to examine the development of information systems research in China through a lens thatis of both domestic and global nature, as well as to uncover stage dynamics, future trends and key issues, in order toprovide forward-looking thoughts and inspirations for China's information systems academia in pursuit of excellencein research and proactive role in serving the country at large.With clarified notions of information systems in terms of connotation, artifact and functionality, and from the"make" and "use" perspectives for research, this article firstly presents a stage evolution framework for China's infor⁃mation systems research, and elaborates on the leaps characterized by thematic shifts, value creation forms, and meth⁃odological paradigms across the four stages in the framework, namely the initial exploration stage (early 1980s to mid-1990s), the referential imitation stage (mid- 1990s to early 2010s), the fused elevation stage (early 2010s to early2020s), and the innovative development stage (since early 2020s). Each stage starts with a growth pattern of informa ⁃tion systems research over time in the form of an S-shaped learning curve. The learning curve for a stage is discon⁃tinued where a new leap takes place, meaning that a new stage emerges with a new learning process. Furthermore,important issues to address in respective stages are discussed, including "rigor and relevance" and "China and theworld" concerns.Subsequently, with a comprehensive understanding of big data and disclosure of changes in managerial decision-making, this article highlights three arrays of recent studies of the authors teams at the present stage (i.e., the fusedelevation stage) as follows, which are deemed to be of high significance nowadays and beyond. First, the theorized"bigdata-driven" paradigm has been represented as a new type of methodological paradigm that results from com⁃bined spirits of "data-driven" and "model-driven". Oriented to big data and managerial decision-making contexts,the bigdata-driven paradigm features external embedding, technological augmentation, and enabled innovation, reflect⁃ing the inherent pursuit of "correlation + causality". Second, research efforts have been made from the "make" per⁃spective on intelligent technologies innovation in the directions such as the formulation of the "big data-small data"problem with related solutions, the discovery of novel relationships in data analytics, and the advances in interpreta⁃ble modeling for machine learning algorithmic design. Third, human-machine interactive behaviors have been exploit⁃ed from the "use" perspective in the directions such as user perception and behaviors in intelligent system services,generation mechanisms and correction strategies for behavioral biases, and affective patterns and interaction design invirtual/augmented reality. Moreover, from the data, algorithm and empowerment viewpoints, the article describes anew leap featuring "data-intelligence" that marks the coming stage (i.e., the innovative development stage) with newcharacteristics, challenges and issues, which shed light on future research explorations for information systems aca⁃demia.Keywords: information systems; bigdata-driven; data-intelligence empowerment; managerial decision-makingJEL Classification: M 15