理論化の過程でのデータサイエンスと自動化：共産物サイクルにおける機械学習の誘導の力

データサイエンスを取り上げるための最近の呼びかけは、機械学習に関連する優れた予測パフォーマンスを中心に展開するか、探索的データ分析のためのデータサイエンス技術の可能性を中心に展開しています。多くの人は、これらの強みは、理論化の基礎を形成する説明的な洞察を犠牲にしてもたらされると信じています。この論文では、このトレードオフが間違っていることを示しています。機械学習は、誘導性、演ductive的、誘ductiveなステップを含む完全な研究プロセスの一部として使用される場合、説明的な洞察を提供し、理論化の確固たる根拠を提供することができます。以下で構成される体系的な5段階の理論構築と理論テストサイクルを提示します。1。要素識別（削減）。2。探索的分析（誘導）;3。仮説開発（復roduction）;4。仮説検査（控除）;および5。理論化（誘duction）。このアプローチの有用性を示しています。このアプローチは、現実世界の観察データを使用して企業の成長を研究するビネットで、共ductionと呼ばれます。

Recent calls to take up data science either revolve around the superior predictive performance associated with machine learning or the potential of data science techniques for exploratory data analysis. Many believe that these strengths come at the cost of explanatory insights, which form the basis for theorization. In this paper, we show that this trade-off is false. When used as a part of a full research process, including inductive, deductive and abductive steps, machine learning can offer explanatory insights and provide a solid basis for theorization. We present a systematic five-step theory-building and theory-testing cycle that consists of: 1. Element identification (reduction); 2. Exploratory analysis (induction); 3. Hypothesis development (retroduction); 4. Hypothesis testing (deduction); and 5. Theorization (abduction). We demonstrate the usefulness of this approach, which we refer to as co-duction, in a vignette where we study firm growth with real-world observational data.