دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات63
تعداد شماره‌ها2,279
تعداد مقالات18,806
تعداد مشاهده مقاله59,200,051
تعداد دریافت فایل اصل مقاله30,270,471
قاسمی, شیوا سادات, خمسه, عباس, ایرانبان, سیدجواد. (1403). واکاوی عوامل موثر بر رصد فناوری مبتنی بر هوش مصنوعی در شرکت های فناوری محور. سامانه مدیریت نشریات علمی, 13(49), 37-76. doi: 10.22054/ims.2024.77042.2414
شیوا سادات قاسمی; عباس خمسه; سیدجواد ایرانبان. "واکاوی عوامل موثر بر رصد فناوری مبتنی بر هوش مصنوعی در شرکت های فناوری محور". سامانه مدیریت نشریات علمی, 13, 49, 1403, 37-76. doi: 10.22054/ims.2024.77042.2414
قاسمی, شیوا سادات, خمسه, عباس, ایرانبان, سیدجواد. (1403). 'واکاوی عوامل موثر بر رصد فناوری مبتنی بر هوش مصنوعی در شرکت های فناوری محور', سامانه مدیریت نشریات علمی, 13(49), pp. 37-76. doi: 10.22054/ims.2024.77042.2414
قاسمی, شیوا سادات, خمسه, عباس, ایرانبان, سیدجواد. واکاوی عوامل موثر بر رصد فناوری مبتنی بر هوش مصنوعی در شرکت های فناوری محور. سامانه مدیریت نشریات علمی, 1403; 13(49): 37-76. doi: 10.22054/ims.2024.77042.2414

واکاوی عوامل موثر بر رصد فناوری مبتنی بر هوش مصنوعی در شرکت های فناوری محور

مطالعات مدیریت کسب و کار هوشمند
مقاله 2، دوره 13، شماره 49، مهر 1403، صفحه 37-76    اصل مقاله (1.44 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/ims.2024.77042.2414
نویسندگان
شیوا سادات قاسمی1؛ عباس خمسه* 2؛ سیدجواد ایرانبان3
1دانشجوی دکتری، گروه مدیریت تکنولوژی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2دانشیار گروه مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
3استادیار گروه مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
چکیده
در چشم‌انداز معاصر صنایع فناوری محور، ادغام هوش مصنوعی در رصد فناوری برای تقویت نوآوری و حفظ رقابت ضروری است. هدف این پژوهش، توسعه چارچوبی برای رصد فناوری مبتنی بر هوش مصنوعی با تمرکز بر شرکت‌های فناوری محور است. این پژوهش با رویکرد کیفی به گردآوری داده‌ها از طریق روش فراترکیب سندلوسکی و بارسو پرداخت. این روش با بررسی نظام‌مند 28 مقاله مرتبط با هدف پژوهش از بین 253 مقاله اولیه انجام شد. مقاله‌های نهایی براساس معیارهای ورود به مطالعه انتخاب شدند. روایی پژوهش برطبق معیارها، برگزاری جلسات با اعضای تیم پژوهش، استفاده از کارشناس و ممیزی کل فرایند برای اجماع نظری تأیید شد و پایایی نیز از طریق برنامه مهارت‌های ارزیابی انتقادی مشخص شد. چارچوب رصد فناوری مبتنی بر هوش مصنوعی در شرکت‌های فناوری محوردر پنج بعد ترسیم شده است: ابزارهای رصد فناوری، چرخه عمر فناوری، محیط شرکت، رویکرد شرکت در مواجهه با محیط، و ظرفیت جذب شرکت. یافته‌ها بر نقش محوری ابزارهای رصد فناوری مبتنی بر هوش مصنوعی تأکید می‌کنند، پویایی‌های ظریف چرخه عمر فناوری را روشن می‌کنند، جنبه‌های چندوجهی محیط شرکت را آشکار می‌سازند، رویکردهای استراتژیک در مواجهه با چشم‌انداز فناوری درحال تحول را ترسیم می‌کنند، و بر ضرورت ظرفیت جذب برای استفاده موثر از فناوری‌های هوش مصنوعی تأکید می‌کنند. این پژوهش با ارائه بینش‌های عملی و راهنمایی استراتژیک، شرکت‌های فناوری محور را با پایه‌ای قوی برای پیمایش در تقاطع پیچیده هوش مصنوعی و رصد فناوری مجهز می‌کند، درنتیجه رشد پایدار، افزایش مزیت رقابتی و نوآوری پایدار را تسریع می‌کند.
کلیدواژه‌ها
هوش مصنوعی؛ رصد فناوری؛ شرکت های فناوری محور؛ تحول دیجیتال
مراجع
  1. حاجی غلام سریزدی، علی. (1399). پویایی تغییرات سطح فناوری شرکت‌های فناور در پارک علم و فناوری یزد. مدیریت نوآوری، 9(2)، 63 – https://dorl.net/dor/‌20.1001.1.23225386.1399.9.2.3.3
  2. خمسه، عباس و بهروزی، علیرضا. (1396). شناسایی و بررسی عوامل کلیدی مؤثر بر رصد تکنولوژی‌های پیشرفته آینده در مراکز طراحی هوافضا. آینده‌پژوهی دفاعی، 2(7)، 129 –http://www.dfsr.ir/article_33784.html
  3. میرشاه ولایتی، فرزانه و نظری زاده، فرهاد. (1398). الگوی دیدبانی فناوری: فرایند و ساختاری برای رصد تحول‌های فناورانه. آینده‌پژوهی دفاعی، 4(13)، 41– doi:10.22034/dfsr.2019.36542
  4. نظامی‌پور، قدیر، طبائیان، سیدکمال، الهی، سیدمجید، ناظمی، امیر و میرشاه ولایتی، فرزانه. (1395). معرفی معیارهای دیدبانی فناوری به‌عنوان ابزار آینده‌پژوهی.راهبرد دفاعی، 14(1)، 137 – https://ds.sndu.ac.ir/article_231.html?lang
References

  1. Abramov, O., Fimin, P., & Smirnova, E. (2019). Technology scouting in chemistry: roadmap and case studies. Proceedings of MATRIZ TRIZfest-2019 International Conference. September 11-14, 2019. Heilbronn, Germany. 319-326.
  2. Ahammad, M.F., Basu, S., Munjal, S., Clegg, J., & Shoham, O.B. (2021). Strategic agility, environmental uncertainties and international performance: The perspective of Indian firms. Journal of World Business, 56(4), 101218. https://doi.org/10.1016/j.jwb.2021.101218
  3. Armenia, S., Franco, E., Iandolo, F., Maielli, G., & Vito, P. (2024). Zooming in and out the landscape: Artificial intelligence and system dynamics in business and management. Technological Forecasting and Social Change, 200, 123131. https://doi.org/10.1016/j.techfore.‌2023.123131
  4. Benkhider, N., & Meziani, M. (2021). Digital transformation process based-technology infrastructure and employee training evidence from World Bank. Recherchers Economiques Manageriales, 15(1): 537-552. https://www.asjp.cerist.dz/en/article/153140
  5. Brügmann, S., Bouayad-Agha, N., Burga, A., Carrascosa, S., Ciaramella, A., Ciaramella, M., Codina-Filba, J., Escorsa, E., Judea, A., Mille, S., Müller, A., Saggion, H., Ziering, P., Schütze, H., & Leo, W. (2015). Towards content-oriented patent document processing: Intelligent patent analysis and summarization. World Patent Information, 40: 30-42. https://doi.org/10.1016/j.wpi.2014.10.003
  6. Cascio, W.F., & Montealegre, R. (2016). How technology is changing work and organizations. Annual Review of Organizational Psychology and Organizational Behavior, 3: 349-375. https://doi.org/‌10.1146/annurev-orgpsych-041015-062352
  7. Cho, Y., & Daim, T. (2013). Technology Forecasting Methods. Research and Technology Management in the Electricity Industry: Methods, Tools and Case Studies (pp.67-112), Edition: 2013, Publisher: Springer.
  8. D’Almeida, L., Bergiante, N.C.R., Ferreira, G.S., Leta, F.R., Campos Lima, C.B., Alves Lima, G.B. (2022). Digital transformation: a review on artificial intelligence techniques in drilling and production applications. The International Journal of Advanced Manufacturing Technology, 119: 5553–5582. https://doi.org/10.1007/s00170-021-08631-w
  9. de Weck, O.L. (2022). Technology Scouting. In: Technology Roadmapping and Development. Springer, Cham. https://doi.org/10.1007/978-3-030-88346-1_14
  10. Dzhengiz, T., & Niesten, E.(2020). Competences for environmental sustainability: A systematic review on the impact of absorptive capacity and capabilities. Journal of Business Ethics, 162: 881–906. DOI: 10.1007/s10551-019-04360-z
  11. Evangelista, , Ardito, L., Boccaccio, A., Fiorentino, M., Petruzzelli, A.M., Uva, A.E. (2020). Unveiling the technological trends of augmented reality: A patent analysis. Computers in Industry, 118, 103221. http://dx.doi.org/10.1016/j.compind.2020.103221
  12. Gonçalves, L.R., & Almeida, F.C. (2018). How technology intelligence is applied in different contexts? International Journal of Innovation, 7(1): 104-118. http://dx.doi.org/10.5585/iji.v7i1.393
  13. Guida, M., Caniato, F., Moretto, A., & Ronchi, S.(2023). Artificial intelligence for supplier scouting: an information processing theory approach. International Journal of Physical Distribution & Logistics Management, 53(4): 387-423. https://doi.org/10.1108/IJPDLM-12-2021-0536
  14. Halicka, K. (2017). Main concepts of technology analysis in the light of the literature on the subject. Procedia Engineering, 182: 291–298. https://doi.org/10.1016/j.proeng.2017.03.196
  15. Jaehyeong, A., Kim, K., Mortara, L., & Lee, (2018). Deriving technology intelligence from patents: Preposition-based semantic analysis. Journal of Informetrics, 12: 217-236. DOI: 10.1016/j.joi.2018.01.001
  16. Kerr, C., & Phaal, R. (2018). Directing the technology intelligence activity: An ‘information needs’ template for initiating the search. Technological Forecasting & Social Change, 134: 265-276. DOI: 10.1016/j.techfore.2018.06.033
  17. Kim, M., Park, Y., & Yoon, J. (2016). Generating patent development maps for technology monitoring using semantic patent-topic analysis. Computers & Industrial Engineering, 98: 289–299. https://doi.cir-mcs.e.corpintra.net/10.1016/j.cie.2016.06.006
  18. Kujawa, K.A., Paetzold, K. (2019). External technology searching methods: A literature review. International Conference on Engineering Design, ICED19, 5-8 AUGUST 2019, Delft, Netherlands. https://doi.org/10.1017/dsi.2019.232
  19. Leachu, S., Clemens, F., Stich, V. (2022). Development of a pre-competitive business model for AI-Based autonomous technology scouting. In: Herberger, D.; Hübner, M. (Eds.): Proceedings of the Conference on Production Systems and Logistics: CPSL 2022. Hannover: publish-Ing., 2022, S. 612-621. DOI: https://doi.org/‌10.15488/12163
  20. Loseto, G., Scioscia, F., Ruta, M., Gramegna, F. et al. (2023). A Cloud-Edge Artificial Intelligence Framework for Sensor Networks. 2023 9th International Workshop on Advances in Sensors and Interfaces (IWASI), Monopoli (Bari), Italy, 149-154, doi: 10.1109/IWASI58316.2023.10164335.
  21. Madani, F., & Khormaei, R. (2013). Overview of evolution in study of external technology search. In 2013 Proceedings of PICMET'13: Technology Management in the IT-Driven Services (PICMET) (pp. 2058-2060). IEEE.
  22. Manzini, R., & Nasullaev, A. (2017). Technology intelligence in practice: A systematic literature review of empirical studies and agenda for further research. http://dx.doi.org/10.25428/2532-554X/2
  23. Mariani, M.M., Machado, I., Magrelli, V., Dwivedi, Y.K. (2023). Artificial intelligence in innovation research: A systematic review, conceptual framework, and future research directions. Technovation, 122: 102623. https://doi.org/10.1016/j.technovation.2022.102623
  24. Mühlroth, C., & Grottke, M. (2022). Artificial intelligence in innovation: How to spot emerging trends and technologies, in IEEE Transactions on Engineering Management, 69(2), 493-510, doi: 10.1109/TEM.2020.2989214.
  25. Nasullaev, A., Manzini R., & Kalvet, B. (2020). Technology intelligence practices in SMEs: Evidence from Estonia. Journal of Intelligence Studies in Business, 10(1): 6-22. https://doi.org/10.37380‌/jisib.‌v1i1.560
  26. Pantano, E., & Pizzi, G. (2020). Forecasting artificial intelligence on online customer assistance: Evidence from chatbot patents analysis. Journal of Retailing and Consumer Services, 55, 102096. https://doi.org/10.1016/j.jretconser.2020.102096
  27. Peter, M., Grivas, S., Horn, D., Rüegg, F., Barba, R., & Graf, M. (2019). The technology matrix – A tool-based method for technology scouting. 131-138. http://dx.doi.org/10.33965/is2019_201905L017
  28. Porter, A.L., & Cunningham, S.W. (2005), Tech Mining: Exploiting New Technologies for Competitive Advantage. John Wiley & Sons, Inc, Hoboken, NJ, USA. https://doi.org/10.1002/0471698466.ch10
  29. Reez, N. (2021). Foresight-based leadership. Decision-making in a growing AI environment. In: Jacobs, G., Suojanen, I., Horton, K., Bayerl, P. (eds) International Security Management. Advanced Sciences and Technologies for Security Applications. Springer, Cham. https://doi.org/10.1007/978-3-030-42523-4_22
  30. Rodriguez-Salvador, M., & Castillo-Valdez, P.F. (2021). Integrating science and technology metrics into a competitive technology intelligence methodology. Journal of Intelligence Studies in Business, 11(1): 69-77. https://doi.org/10.37380/jisib.v1i1.696
  31. Sahoo, S., Kumar, S., Donthu, N., Kumar Singh, A. (2024). Artificial intelligence capabilities, open innovation, and business performance – Empirical insights from multinational B2B companies. Industrial Marketing Management, 117: 28-41. https://doi.org/10.1016/‌j.indmarman.2023.12.008
  32. Sandelowski, M., & Barroso, J. (2007). Handbook for Synthesizing Qualitative Research. New York: Springer Publishing Company. https://doi.org/10.4236/crcm.2022.118046
  33. Schilling, M.A., & Esmundo, M. (2009). Technology S-curves in renewable energy alternatives: Analysis and implications for industry and government. Energy Policy, 37(5): 1767–1781. https://doi.org/10.1016/j.enpol.2009.01.004
  34. Schuh, G., Hicking, J., Stroh, M.F., & Benning J (2020). Using AI to Facilitate Technology Management – Designing an Automated Technology Radar. In 53rd CIRP Conference on Manufacturing Systems, Procedia CIRP 93 (2020): 419–424. Science Direct. http://dx.doi.org/10.1016/j.procir.2020.04.089
  35. Schuh, G., Boßmeyer, H.J., & Bräkling, A. (2021). Data-driven technology management supported by artificial intelligence solutions. Journal of Production Systems and Logistics, 1(4). DOI: https://doi.org/10.15488/10528
  36. Sikandar, H., Vaicondam, Y., Khan, N., Qureshi, M.I., & Ullah A (2021). Scientific mapping of industry 4.0 research: A bibliometric analysis. International Journal of Interactive Mobile Technologies (iJIM), 15(18): 129-147. https://doi.org/10.3991/ijim.v15i18.25535
  37. Stahl, B. C., Brooks, L., Hatzakis, T., Santiago, N., Wright, D. (2023). Exploring ethics and human rights in artificial intelligence – A Delphi study. Technological Forecasting & Social Change, 191, 122502. https://doi.org/10.1016/j.techfore.2023.122502
  38. Stock, A., Stein, F., & Brecht, L. (2020). Usage of bibliometric tools in foresight and technology scouting. Paper presented at the ISPIM Connects Global 2020, Virtual.
  39. Stute, M., Sardesai, S., Parlings, M., Senna, P.P., Fornasiero, R., & Balech, (2021). Technology scouting to accelerate innovation in supply chain. Lecture Notes in Management and Industrial Engineering (Springer), 129-145. http://dx.doi.org/10.1007/978-3-030-63505-3_6
  40. Sundhararajan, , Gao, X.Z., & Vahdatnejad, H. (2018). Artificial intelligent techniques and its applications. Journal of Intelligent & Fuzzy Systems, 34: 755-760. DOI: 10.3233/JIFS-169369.
  41. Tabrizi, B., Lam, E., Girard, K., & Irvin, V. (2019). Digital transformation is not about technology. Harvard Business Review, 13, 1-6.
  42. Vuorio, A.M., Puumalainen, K., & Fellnhofer, K. (2018). Drivers of entrepreneurial intentions in sustainable entrepreneurship. International Journal of Entrepreneurial Behavior & Research, 24(2): 359-381. http://dx.doi.org/10.1108/IJEBR-03-2016-0097
  43. Wang, C.H. & Quan, X.I. (2021). The role of external technology scouting in inbound open innovation generation: evidence from high-technology industries. In IEEE transactions on Engineering Management, 68(6): 1558-1569. http://dx.doi.org/10.1109/TEM.2019.2956069
  44. Wang, Y., Yu, Y., Cao, S., Zhang, X., & Gao, S. (2020). A review of applications of artificial intelligent algorithms in wind farms. Artificial Intelligence Review, 53: 3447–3500. https://doi.org/10.1007/s10462-019-09768-7
  45. Wang, X., Daim, T., Huang, L., Li, Z., Shaikh, R., & Francois Kassi, D. (2022). Monitoring the development trend and competition status of high technologies using patent analysis and bibliographic coupling: The case of electronic design automation technology. Technology in Society, 71, 102076. DOI: 10.1016/j.techsoc.2022.102076
  46. Wustmans, M., Haubold, T., & Bruens, B. (2022). Bridging trends and patents: Combining different data sources for the evaluation of innovation fields in blockchain technology, in IEEE Transactions on Engineering Management, 69(3), 825-837, doi: 10.1109/TEM.2020.3043478.
  47. Xu, Z., Ge Z., Wang W., Skare M. (2021). Bibliometric analysis of technology adoption literature published from 1997 to 2020. Technological Forecasting and Social Change, 170. 120896. http://dx.doi.org/10.1016/j.techfore.2021.120896
 

References [In Persian]

  1. Hajigholamsaryazdi, A. (2020). Dynamics of technology changes in technology-based firms in Yazd Science and Technology Park. Innovation Management Journal, 9(2), 63-94. https://dorl.net/dor/20.1001.1.23225386.1399.9.2.3.3
  2. Khamseh, A., & Behroozi, A. (2018). Identifying and studying the key factors affecting scouting the future high technologies in aerospace design centers. Defensive Future Studies, 2(7), 129-152. http://www.dfsr.ir/article_33784.html
  3. Mir Shahvelayati, F., & Nazarizadeh, F. (2019). Technology scouting model: A process & structure for monitoring technological changes. Defensive Future Studies, 4(13), 41-68. doi:10.22034/dfsr.2019.36542
  4. Nezamipour, G., Tabaeian, S.K., Elahi, S.M., Nazemi, A., & Mirshahvelayati, F. (2016). Introduce of surveillance measures technology as a tool for future study. Defence Studies, 14(1), 137-171. https://ds.sndu.ac.ir/article_231.html?lang
 

 

‌

 

 

 

 

آمار
تعداد مشاهده مقاله: 1,136
تعداد دریافت فایل اصل مقاله: 1,034


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login