本期推荐一篇最新发表在SMJ上发表的论文《在组织与战略研究中充分利用AI和机器学习：监督式机器学习、因果推断和匹配模型》。随着人工智能（AI）和机器学习（ML）技术的快速发展，它们在组织管理和战略研究领域的应用潜力日益显现。然而，目前学术界对于如何将机器学习与因果推断相结合，尤其是在涉及大规模数据与复杂协变量的回归研究中，还缺乏系统性的理解和实践探索。该研究旨在探讨如何运用监督式机器学习方法，尤其是在两阶段匹配模型中优化变量选择，以解决样本选择偏差问题，从而提升因果推断的准确性和稳健性。样本选择偏差是战略研究中常见的挑战，即“被处理”组（如接受某种政策干预的个体）与“未处理”组存在不可忽视的系统性差异，导致最终的因果推断失准。
该研究创新性地将监督式机器学习与倾向得分匹配（PSM）结合，通过正则化技术（如Lasso和Ridge回归）筛选重要变量，利用交叉验证（Cross-Validation）防止模型过拟合，并引入变量的交互项以捕捉复杂关系。此外，研究通过曲线下面积（AUC）等指标评估模型性能，确保匹配质量，优化了两阶段匹配模型中的第一阶段变量选择过程。
该研究基于美国专利数据，分析了公共部门与私营企业合作研发项目对创新颠覆性的影响。颠覆性创新的衡量标准是专利在后续技术发展中对现有引用模式的挑战程度，即新专利是否能够打破现有技术范式，推动技术革新。研究结果显示，监督式机器学习在匹配模型中的应用，可以显著改善样本的平衡性和匹配质量，从而提高第二阶段回归分析中因果推断的精度。此外，研究还发现，与单独由私营企业开发的技术相比，公共部门参与的研发项目更有可能产生颠覆性创新，尤其是通过合作协议或合同形式的项目。
总体而言，该研究证明了监督式机器学习方法在组织与战略研究中作为数据预处理工具的巨大潜力，特别是在处理复杂数据和进行因果推断时。研究为未来学者提供了一种更加系统且客观的方法来选择匹配变量，同时也强调了机器学习在理论构建与实证研究中的辅助作用，而非替代研究者的专业判断。
Making the most of AI and machine learning in organizations and strategy research: Supervised machine learning, causal inference, and matching modelsJason Rathje, Riitta Katila, Philipp Reineke
