本文由Kalle Lyytinen、Jeffrey V. Nickerson和John L. King三位学者共同撰写，分别来自Case Western Reserve University、Stevens Institute of Technology和University of Michigan。该研究于2020年发表在《Journal of Information Technology》期刊上，题为“Metahuman Systems: A New Frontier for Information Systems Research”。文章探讨了“元人类系统”（Metahuman Systems）这一新兴概念，即人类与学习型机器共同构成的混合系统，并分析了其对组织设计、工作方式以及信息系统研究领域的深远影响。
随着机器学习技术的快速发展，学习型机器（Machines that Learn）逐渐嵌入到应用程序、新闻推送、视频流服务和电子邮件过滤等日常场景中。这些机器通过与环境的交互自适应地学习，并在经验中不断提升能力。尽管机器学习（Machine Learning）作为一种计算过程已被广泛研究，但学习型机器的研究则更关注其系统层面的特征、结果和涌现特性，如规模、范围和速度。本文提出了“元人类系统”的概念，即人类与学习型机器共同构成的混合系统，旨在探讨这些系统对组织设计和工作方式的深远影响。
元人类系统的核心在于人类与机器的协同学习，这种协同学习不仅改变了组织的运作方式，还推动了信息系统研究的新方向。文章指出，元人类系统的出现将挑战传统的信息系统研究目标、方法和理论框架，尤其是在组织设计和工作流程方面。为了应对这些挑战，作者提出了四个关键的组织功能：委托（Delegating）、监控（Monitoring）、培养（Cultivating）和反思（Reflecting），并探讨了这些功能如何为元人类系统的研究提供新的方向。
本文并非一项具体的实验研究，而是一篇理论性论文，旨在为元人类系统的研究提供一个框架。文章通过回顾现有的文献和案例，分析了元人类系统的特征及其对组织设计的影响。具体来说，作者从以下几个方面展开讨论：
元人类系统的定义与特征：元人类系统是人类与学习型机器的混合体，具有超越人类或机器单独能力的潜力。文章指出，由于人类与机器的认知架构不同，元人类系统的学习速度、范围和规模与传统的组织学习方式存在显著差异。
学习过程的差异：人类与机器的学习方式存在显著差异。人类通过试错学习（Trial-and-Error Learning）和扩散学习（Diffusion-Based Learning）获取知识，而机器则通过快速的数据处理和知识转移实现学习。文章指出，元人类系统的学习过程需要结合人类与机器的优势，设计出更高效的学习机制。
认知架构的影响：人类的认知处理依赖于身体的感知和语言交流，而机器则通过高速的信息交换实现学习。元人类系统的设计应充分利用这些差异，设计出能够结合人类与机器优势的系统。
元人类系统的应用案例：文章通过多个案例展示了元人类系统在实际中的应用，如高频交易（High-Frequency Trading）、选举系统和自动驾驶汽车。这些案例表明，元人类系统的引入不仅改变了组织的运作方式，还带来了新的挑战，如市场波动、选举操纵和自动驾驶的安全问题。
文章的主要结论是，元人类系统的出现将彻底改变组织的学习方式和运作模式。元人类系统通过结合人类与机器的学习能力，能够以更快的速度和更大的规模进行学习，从而提升组织的效率和创新能力。然而，这种系统也带来了新的挑战，如如何设计有效的委托和监控机制，如何培养系统的学习能力，以及如何反思系统的学习过程和结果。
本文的结论是，元人类系统的研究将为信息系统领域带来新的机遇和挑战。元人类系统的引入不仅改变了组织的学习方式，还推动了信息系统研究的新方向。文章呼吁信息系统研究者积极参与元人类系统的研究，探索如何设计和管理这些系统，以实现组织的长期目标。
本文的亮点在于提出了“元人类系统”这一新概念，并为其研究提供了一个框架。文章通过回顾现有的文献和案例，分析了元人类系统的特征及其对组织设计的影响，并提出了四个关键的组织功能：委托、监控、培养和反思。这些功能为元人类系统的研究提供了新的方向，并为未来的研究奠定了基础。
文章还探讨了元人类系统在不同领域的应用，如高频交易、选举系统和自动驾驶汽车。这些案例展示了元人类系统的潜力和挑战，为未来的研究提供了丰富的素材。此外，文章还呼吁信息系统研究者与来自管理、政策、计算、法律等领域的学者和实践者合作，共同探索元人类系统的设计和实施。
总的来说，本文为元人类系统的研究提供了一个全面的框架，并为未来的研究指明了方向。元人类系统的引入不仅将改变组织的学习方式，还将推动信息系统研究的新发展。