Maskininlärning som beslutsstöd : En socioteknisk utvärdering av prediktiv prestanda och transparens i populärkulturen

Sammanfattning

Denna studie undersöker hur olika maskininlärningsarkitekturer presterar som beslutsstöd inom den föränderliga populärkulturella industrin, med särskilt fokus på spänningen mellan algoritmisk precision (F1-score) och organisatorisk transparens (förklarbar AI). Genom en systematisk litteraturöversikt extraherades data från 15 vetenskapliga studier, innefattande 56 unika maskininlärningsmodeller för prediktion av kommersiell framgång inom musik- och filmbranschen. Materialet utvärderades därefter kvantitativt med hjälp av en flerkriterieanalys och ramverket Technology-Organization-Environment (TOE), där modellernas prediktiva förmåga vägdes mot deras inneboende tolkningsbarhet i tre strategiska scenarier: balanserat, prestandadrivet och transparensdrivet. Resultaten visar att valet av maskininlärningsmodell inte är en isolerad teknisk fråga, utan ett strategiskt socio-tekniskt ställningstagande. Inneboende transparenta white-box-modeller, i synnerhet linjära modeller, uppvisar högst organisatorisk lämplighet i miljöer där tillit och spårbarhet prioriteras. När den miljömässiga kontexten däremot kräver maximerad träffsäkerhet för att hantera extrem klassobalans framstår grey-box-modeller, såsom Gradient Boosting Machines, som det mest ändamålsenliga alternativet, förutsatt att organisationen accepterar riskerna med externa förklaringsverktyg. Högkomplexa black-box-modeller bedöms generellt vara olämpliga som beslutsstöd på grund av deras oförmåga att överbrygga beslutsfattarens kognitiva klyfta.