Watafiti walifanya mapitio ya fasihi ya kitabaka tofauti na ya kujirudia ili kuchunguza fasihi ya kisayansi katika makutano ya uchanganuzi wa biashara, mifumo ya kusaidia maamuzi, utoaji ripoti wa kisimulizi na ujifunzaji wa mashine. Hifadhidata za Web of Science, Scopus na ScienceDirect zilitumiwa; istilahi za utafutaji ziliendelezwa katika hatua kadhaa na tafiti zilizopitiwa na wenzao katika kipindi cha 2021–2025 zikajumuishwa. Mapitio ya mwisho yalihusisha machapisho 95, na ukaribu wa kidhana katika fasihi pia ulitathminiwa kwa kutumia VOSviewer 1.6.20 kupitia ramani ya kutokea pamoja kwa maneno muhimu.

Hitimisho kuu la utafiti linaonyesha muundo wa sehemu tatu. Mkondo wa kwanza wa utafiti ni msaada wa maamuzi wa kiasi unaokua kupitia dashibodi, KPI, uendeshaji otomatiki na modeli za utabiri. Mkondo wa pili ni utoaji ripoti wa kisimulizi unaokua hasa katika uhasibu, ufichuzi wa kampuni, uendelevu na mawasiliano ya hatari. Mkondo wa tatu, ambao bado ni mdogo zaidi, ni tafiti zinazojaribu kuunganisha akili bandia inayoelezeka, usindikaji wa lugha asilia na ripoti zinazozalishwa na mashine pamoja na maelezo ya kisimulizi.

Kwa mujibu wa watafiti, pengo la msingi ni kwamba utoaji ripoti wa kisimulizi katika mifumo mingi iliyopo hauonekani kama sehemu ya mantiki ya uamuzi, bali kama tabaka la mawasiliano au uwasilishaji linaloongezwa mwishoni mwa uchanganuzi. Hata hivyo, uzoefu wa mtaalamu, maarifa ya muktadha, ufafanuzi wa kutokuwa na uhakika na uelezaji wa sababu za uamuzi vinaweza kutoa taarifa ambazo haziwezi kutolewa kutoka kwa viashiria vya namba pekee.

Hitimisho hili si ushahidi wa moja kwa moja wa majaribio kwamba ripoti za AI za kisimulizi huongeza ubora wa maamuzi. Utafiti haukutengeneza mfumo mpya wa kusaidia maamuzi, haukulinganisha mameneja katika masharti ya ripoti zenye simulizi na zisizo na simulizi, wala haukupima matokeo kama usahihi wa uamuzi, uaminifu, mzigo wa utambuzi au muda wa kufanya uamuzi. Matokeo ni usanisi kuhusu muundo wa fasihi na mapengo ya utafiti.

Kwa mtazamo wa Uturuki: Utafiti haukukusanya data kutoka kwa kampuni au mameneja nchini Uturuki. Hata hivyo, wakati wa kuendeleza utoaji ripoti wa kampuni kwa Kituruki, mifumo ya kusaidia maamuzi au zana za usimamizi zinazotegemea AI, inaweza kuwa mwelekeo wenye maana kutafiti tabaka za kisimulizi zinazoweza kuwasilisha muktadha, kutokuwa na uhakika na maarifa ya wataalamu badala ya kuzalisha KPI pekee. Lakini kabla ya utendaji wa usindikaji wa lugha asilia ya Kituruki, utamaduni wa kuripoti wa taasisi, tofauti za sekta, ngazi za usimamizi na miundombinu ya data inayotumiwa kuthibitishwa ndani ya mazingira ya ndani, mapendekezo ya utafiti hayawezi kukubaliwa kama matokeo ya utendaji yaliyothibitishwa kwa Uturuki.

Kwa nini data pekee inaweza isitoshe katika kufanya maamuzi?

Mahali pa kuanzia pa utafiti ni kwamba ingawa mashirika ya kisasa huzalisha kiasi kikubwa sana cha data, mameneja hawahitaji data ghafi pekee wanapofanya maamuzi. Kwa nini thamani ya kiashiria fulani imeongezeka, kama mabadiliko yaliyotokea ni ya muda au ya kimuundo, ni masharti gani ya kiutendaji yaliyoathiri matokeo, au ni maelezo gani wafanyakazi wenye uzoefu wanayoyajua lakini hayapo katika hifadhidata — yote haya yanaweza kuwa muhimu kwa uamuzi.

Mifumo ya jadi ya kusaidia maamuzi mara nyingi hujaribu kutatua tatizo hili kwa kuunganisha data, kufanya hesabu na kuibua taarifa kwa vielelezo. Kwa mujibu wa fasihi iliyochunguzwa katika utafiti, mifumo hii kwa kawaida huzalisha:

• dashibodi za viashiria,
• viashiria muhimu vya utendaji,
• muhtasari wa namba,
• modeli za utabiri,
• uchanganuzi wa kiotomatiki

.

Watafiti wanasisitiza kuwa hayo ni muhimu lakini yanaweza kuwa pungufu yakiwa peke yake. Mtoa uamuzi anaweza kutaka kujua, pamoja na taarifa kwamba “mauzo yameshuka kwa %8”, kushuka huko kulitokea katika muktadha gani, ni mambo gani yalitathminiwa pamoja na wataalamu wanatafsiri matokeo hayo vipi.

Maarifa fiche ni nini na kwa nini ni muhimu?

Mojawapo ya dhana zinazosisitizwa mara kwa mara katika utafiti ni tacit knowledge, yaani maarifa fiche. Dhana hii inaeleza utaalamu wa kimuktadha ambao mtu huukuza kupitia uzoefu lakini ambao si rahisi kila wakati kuugeuza kuwa jedwali, sehemu ya data au kanuni iliyo wazi.

Kwa mfano, meneja mwenye uzoefu wa uzalishaji anaweza kutathmini kama mabadiliko fulani ya KPI si ya kawaida si kwa kutazama mipaka ya namba pekee, bali kwa kurejea matukio ya zamani, michakato ya kazi na mahusiano ndani ya shirika. Tatizo ni kwamba maarifa haya yanaweza kupotea ndani ya ripoti fupi na grafu yanapopitishwa kwenda ngazi za juu za uongozi.

Mwelekeo wa utafiti unaopendekezwa ni kwamba mifumo ya kusaidia maamuzi inayosaidiwa na AI iweze kuunganisha uchanganuzi wa data na simulizi ya kimuktadha ya utaalamu wa binadamu.

Utoaji ripoti wa kisimulizi unamaanisha nini?

Utoaji ripoti wa kisimulizi si kubadilisha jedwali tu kuwa sentensi ndefu. Katika fasihi iliyochunguzwa, simulizi huchukuliwa kwa kazi zake za kuweka matokeo ya namba katika muktadha, kueleza mahusiano, kuonyesha kutokuwa na uhakika, kuweka kipaumbele kwa matukio muhimu na kumsaidia msomaji kuelewa maana ya taarifa.

Inaonekana kuwa simulizi za maandishi zimetumika kwa muda mrefu hasa katika uhasibu, ripoti za mwaka, ufichuzi wa uendelevu na mawasiliano ya hatari.

Utafiti pia unaangazia dhana ya Narrative Disclosure Tone. Ripoti kuandikwa kwa namna chanya, hasi, ya tahadhari au ya kuaminisha inaweza kuathiri jinsi msomaji anavyopokea ujumbe, hata kama taarifa ya msingi inabaki ile ile.

Kwa hiyo utoaji ripoti wa kisimulizi hauhusu tu kiasi cha maudhui, bali pia matumizi ya lugha, toni, ufafanuzi wa kutokuwa na uhakika na uchaguzi wa muktadha.

Simulizi iko wapi leo katika mifumo ya kusaidia maamuzi?

Kwa mujibu wa fasihi iliyochunguzwa, simulizi mara nyingi iko mwishoni mwa mchakato wa kusaidia maamuzi. Mfumo kwanza huchanganua data, huzalisha utabiri au KPI, kisha matokeo huwasilishwa ndani ya maandishi au ripoti.

Pengo la utafiti ambalo watafiti wanalisisitiza liko hapa: Je, simulizi inaweza kuwa sehemu ya mchakato wa uchanganuzi wenyewe?

Katika mtazamo huu, simulizi haitatumika tu “kueleza matokeo kwa uzuri”. Kwa mfano, mfumo unaweza:

• kueleza ni nukta gani za data ni muhimu kwa uamuzi,
• kuonyesha matokeo ni halali chini ya masharti gani,
• kueleza kutokuwa na uhakika kwa namna inayoeleweka,
• kuunganisha maoni ya mtaalamu na uchanganuzi wa namba,
• kuunda kina tofauti cha ufafanuzi kulingana na ngazi tofauti za usimamizi.

Hata hivyo, haya si vipengele vilivyopimwa vya usanifu wa programu uliotekelezwa katika utafiti; ni mielekeo ya utafiti wa baadaye inayotokana na pengo la fasihi.

Jukumu la sasa la uchanganuzi wa biashara ni nini?

Uchanganuzi wa biashara, katika fasihi iliyochunguzwa na utafiti, huonekana zaidi kama miundombinu ya kiteknolojia na kiuchanganuzi inayofanya data iweze kutumika katika uamuzi. Uchanganuzi wa big data, uchanganuzi wa maandishi na mbinu nyingine za kiuchanganuzi zinaweza kutoa mifumo na umaizi kutoka maarifa ya shirika.

Hata hivyo, kwa mujibu wa usanisi wa utafiti, uzito wa uchanganuzi wa biashara uko zaidi katika kuandaa na kuchanganua data; suala la jinsi matokeo yanavyotafsiriwa na binadamu haliko katikati kwa kiwango sawa.

Mfumo wa Kusaidia Maamuzi hufanya nini?

Mfumo wa Kusaidia Maamuzi (Decision Support System, DSS) ni dhana ya jumla inayotumika kwa mifumo inayounganisha vyanzo mbalimbali vya data na kumpa meneja taarifa iliyoandaliwa ambayo inaweza kutumika katika kufanya maamuzi.

Katika fasihi ya DSS iliyochunguzwa katika utafiti, kasi, uthabiti, uibua-data, ufuatiliaji wa KPI na msaada wa mipango ya kimkakati vinaonekana kuwa muhimu. Hata hivyo, matokeo ya mifumo hiyo kwa kiasi kikubwa ni ya kimuundo na ya kuona.

Kwa watafiti, kiungo kinachokosekana hapa ni kwamba kuwasilisha data kwa usahihi wa kiufundi si sawa na mtoa uamuzi kuielewa data hiyo ndani ya muktadha.

Ujifunzaji wa mashine unaongeza nini kwenye muundo huu?

Ujifunzaji wa mashine unawakilishwa kwa nguvu katika fasihi kwa uwezo wake wa kuchakata kiasi kikubwa cha data iliyo na muundo na isiyo na muundo, kugundua mifumo, kufanya utabiri na kuendesha kiotomatiki baadhi ya majukumu ya kuripoti.

Tafiti zilizochunguzwa zinaonyesha kuwa ujifunzaji wa mashine unaweza kutumika katika:

• kutoa taarifa kutoka kwenye maandishi,
• kuzalisha ripoti kiotomatiki,
• uchanganuzi wa hisia na toni,
• kuunda utabiri,
• kuchanganua data isiyo na muundo

.

Hata hivyo, maendeleo ya kiufundi hayamaanishi kwamba msaada wa maamuzi wa kisimulizi na kimuktadha umekomaa kwa kasi ile ile. Tafsiri kuu ya watafiti ni kwamba uwanja huu unaendelea kiufundi kwa kasi kuliko upande wa ufasiri.

Machapisho 95 yalionyesha mikondo gani mitatu ya utafiti?

Mapitio ya mwisho ya machapisho 95 ya utafiti yanaonyesha mikondo mitatu mikubwa ya utafiti.

Hitimisho kuu la watafiti ni kwamba mkondo wa tatu bado haujafikia ukomavu wa kuunganisha kikamilifu maeneo mawili ya kwanza.

Ramani ya VOSviewer inaonyesha nini?

Katika Şekil 2 ya utafiti, mtandao wa kutokea pamoja kwa maneno muhimu katika machapisho yaliyochaguliwa ya kipindi cha 2021–2025 unaonyeshwa. Ukubwa wa nodi unahusishwa na mara ngapi neno muhimu linaonekana, na viungo vinahusishwa na maneno hayo kutokea pamoja katika machapisho yale yale.

Kwenye taswira, machine learning inaonekana kama mojawapo ya istilahi kuu zenye nodi kubwa na miunganisho mingi; dhana kama textual analysis, text mining, narrative reporting, narrative disclosures, natural language processing, forecasting na financial performance zipo katika sehemu tofauti za mtandao.

Muundo huu unaendana na hitimisho kuu la makala: ujifunzaji wa mashine na uchanganuzi wa maandishi umeendelea kwa nguvu, huku viungo vya utoaji ripoti wa kisimulizi vikionyesha mwonekano uliogawanyika zaidi.

Dokezo la kusoma taswira: Katika legendi ya Şekil 2 kuna skeli ya rangi ya 2021–2025 iliyoonyeshwa wazi. Hata hivyo, maandishi yanaeleza rangi kama “makundi”. Kwa sababu hii, katika tathmini ya Verianla, mojawapo ya maonyesho haya mawili ya chanzo kuhusu rangi zinawakilisha nini haijachaguliwa na kuwasilishwa kama ukweli wa mwisho.

Mapengo matatu ya msingi yaliyobainishwa na watafiti

Pengo la kwanza ni la kidhana. Utoaji ripoti wa kisimulizi mara nyingi humodeliwa kama mawasiliano ya matokeo badala ya kuwa sehemu ya kiuchanganuzi ya msaada mahiri wa maamuzi.

Pengo la pili ni la kimethodolojia. Ufafanuzi wa kisimulizi, uchanganuzi wa maandishi, uibua-data na ujifunzaji wa mashine mara nyingi hutafitiwa kila moja kivyake; tafiti zinazojaribu moja kwa moja mazingira ya DSS yaliyounganishwa na kuungwa mkono na simulizi ni chache.

Pengo la tatu linahusu matumizi na usanifu. Hakuna mwongozo wa kutosha wa usanifu kuhusu jinsi maarifa fiche ya mtaalamu, hoja za kimuktadha, ufafanuzi wa kutokuwa na uhakika na matokeo ya mashine yanavyoweza kuwekwa pamoja katika usanifu wa kuripoti unaotumiwa katika mashirika halisi.

Ni majaribio gani yanahitajika baadaye?

Kwa mujibu wa utafiti, haitoshi kwa tafiti zijazo kuunda tu modeli mpya ya AI inayozalisha simulizi. Lazima pia ipimwe kama simulizi kweli inachangia katika kufanya maamuzi.

Maeneo yaliyopendekezwa ya kipimo ni pamoja na:

• uelewekaji,
• uwezo wa kugeuzwa kuwa hatua,
• mzigo wa utambuzi,
• uaminifu wa mtumiaji,
• uthabiti wa uamuzi,
• ufanisi wa mawasiliano kati ya ngazi tofauti za usimamizi

.

Watafiti pia wanasema kuwa tafiti za kiempiria zinazolinganisha mifumo inayotegemea zaidi dashibodi na mifumo inayoungwa mkono na simulizi zinaweza kupima athari zake kwa ubora wa maamuzi, uaminifu na upatanifu wa kimkakati.

Matokeo yanayoungwa mkono na utafiti

• Fasihi iliyochunguzwa inalenga kwa nguvu dashboard, otomatiki na modeli za utabiri katika uchanganuzi wa biashara, DSS na ujifunzaji wa mashine.
• Fasihi ya utoaji ripoti wa kisimulizi imeendelea hasa katika uhasibu, ufichuzi wa kampuni, uendelevu na mawasiliano ya hatari.
• Kuna tafiti zinazoonyesha kuwa simulizi zinaweza kuhusiana na ufasiri, uaminifu, mtazamo wa hatari na baadhi ya michakato ya utabiri.
• Fasihi inayounganisha AI na ufafanuzi wa kisimulizi katika kiwango cha mfumo wa kusaidia maamuzi ni ndogo zaidi na imegawanyika.
• Utafiti unafafanua utoaji ripoti wa kisimulizi kama tabaka la kiuchanganuzi linalowezekana na linalopaswa kuchunguzwa kwa mifumo ya maamuzi ya siku zijazo inayosaidiwa na AI.

Matokeo ambayo utafiti hauyathibitishi

• Haijaonyeshwa kuwa ripoti za kisimulizi huzalisha maamuzi bora kuliko dashboard kwa uhakika.
• Hakuna mfumo mpya wa kusaidia maamuzi unaoungwa mkono na AI uliotengenezwa na kujaribiwa katika biashara halisi.
• Hakuna matokeo yanayoonyesha kuwa ufafanuzi wa kisimulizi huongeza usahihi wa maamuzi kwa asilimia maalumu.
• Haijaonyeshwa kuwa modeli kubwa za lugha zinaweza kuchukua nafasi ya hoja za kitaalamu za binadamu.
• Haijafikiwa hitimisho kwamba simulizi inayozalishwa na AI ni isiyoegemea upande wowote, sahihi au ya kuaminika katika kila hali.
• Haijajaribiwa kama pengo la utafiti lililobainishwa lina ukubwa sawa katika sekta na nchi zote.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti ni mapitio ya fasihi ya kitabaka tofauti na uchanganuzi wa mada unaoungwa mkono na bibliometria. Watafiti walitumia mbinu ya Mueller-Bloch na Kranz inayolenga kubaini mapengo ya utafiti katika mapitio ya fasihi ya ubora.

Mbinu haikubuniwa kama utafutaji wa mstari mmoja wa mara moja, bali kama mchakato wa kujirudia ambapo istilahi za utafutaji hurekebishwa kulingana na matokeo.

Istilahi za kwanza za utafutaji

Katika hatua ya mwanzo, kwa sababu mipaka ya uwanja wa utafiti haikuwa bado imethibitishwa, istilahi pana zilitumiwa. Mifano iliyotolewa katika chanzo ni:

• Business Reporting,
• Decision Support System,
• Machine Learning,
• Case-Based Reasoning,
• Narrative.

Kwa kuwa utafutaji huu ulileta machapisho mapana sana na kwa sehemu yasiyohusiana, mkakati wa utafutaji ulirekebishwa.

Mchanganyiko wa maswali katika hatua ya pili

Katika utafiti, mifano mitatu ya maswali yaliyoendelezwa imetolewa wazi:

• Decision Support System AND Summary AND Case-Based reasoning OR Machine Learning AND Narrative
• Statement AND Decision Support System OR Machine Learning AND Narrative AND Business Analysis
• Report AND Machine Learning AND Business Analysis AND Narrative

Katika hatua hii watafiti walifikia machapisho yaliyo na uhusiano wa moja kwa moja zaidi na NLP, utoaji ripoti wa biashara wa kiotomatiki na mifumo ya kusaidia maamuzi ya utambuzi.

Dhana nne za mwisho

Mwishoni mwa mchakato wa utafutaji wa kujirudia, eneo la utafiti lilipunguzwa kwa dhana nne kuu:

Vigezo vya kujumuisha

Kwa mujibu wa utafiti, katika uteuzi wa mwisho yalijumuishwa machapisho yaliyokuwa:

• yamechapishwa kati ya 2021–2025,
• makala za majarida yaliyopitiwa na wenzao,
• yanapatikana katika Web of Science, Scopus au ScienceDirect,
• yanaonyesha uhusiano wazi kati ya business analytics, DSS, machine learning au narrative reporting na kufanya maamuzi ya shirika

.

Vigezo vya kuondoa

Tafiti zisizohusiana, rekodi rudufu, machapisho yasiyopitiwa na wenzao na tafiti za kiufundi pekee zilizokatika kutoka muktadha wa kuripoti biashara ziliondolewa.

Hatua za uchunguzi

Watafiti wanaeleza mchakato wa uteuzi kama:

1. kuondoa rekodi rudufu,
2. uchunguzi wa vichwa na maneno muhimu,
3. mapitio ya muhtasari,
4. tathmini ya maandishi kamili

.

Hata hivyo, ni rekodi ngapi zilikuwepo na ngapi ziliondolewa katika kila hatua hakukuripotiwa katika chanzo kwa mchoro wa mtiririko wa kiasi.

Uchanganuzi wa bibliometria

VOSviewer 1.6.20 ilitumiwa kutathmini uhusiano wa kutokea pamoja kwa maneno muhimu katika machapisho yaliyochaguliwa.

Kwa mujibu wa maelezo ya utafiti:

• nodi zinawakilisha maneno muhimu,
• ukubwa wa nodi unawakilisha mara ngapi istilahi zinaonekana,
• viungo vinawakilisha maneno mawili kutokea pamoja katika machapisho yale yale,
• nguvu ya kiungo inawakilisha mara ngapi yanatokea pamoja

.

Katika maelezo ya onyesho la rangi la Şekil 2 kuna kutolingana ndani ya chanzo; maandishi yanazungumzia “makundi”, ilhali legendi ya taswira inaonyesha skeli ya wakati ya 2021–2025.

Matokeo ya msingi

Vikwazo vya kimethodolojia

Kwa mujibu wa tamko la vikwazo la utafiti wenyewe, wigo wa hifadhidata uliwekewa mipaka hasa kwa Web of Science, Scopus na ScienceDirect; pia machapisho machache yaliyokuwa tayari yanajulikana kuwa husika yalitumiwa. Kwa hiyo haitolewi dai kwamba utafiti unafunika fasihi yote ya kisayansi.

Kikomo muhimu cha pili ni kutokuwiana katika muundo wa uwanja wenyewe. Idadi ya machapisho kuhusu uchanganuzi wa kiasi na uibua-data ni kubwa kuliko tafiti za msingi wa simulizi na msaada wa maamuzi wa utambuzi.

Tatu, ingawa utafiti unasema hatimaye ulichunguza machapisho 95, idadi ya jumla ya rekodi katika utafutaji wa mwanzo na idadi za uondoaji katika kila hatua ya uchunguzi hazijawasilishwa kwa kina. Hali hii hufanya iwe vigumu kujenga upya mchakato wa utafutaji kwa kujitegemea kikamilifu.

Nne, ingawa inasemwa kuwa tafiti zilitathminiwa kwa “ubora wa kimethodolojia”, chanzo hakitoi fomu sanifu ya upimaji, zana ya risk-of-bias au alama za ubora kwa kila utafiti.

Kwa sababu hizi, utafiti unatoa usanisi wa fasihi uliopangwa na kuungwa mkono na bibliometria; lakini matokeo yake hayapaswi kufasiriwa kama meta-analysis au ushahidi wa sababu wa majaribio.

Dokezo la Chanzo na Mbinu

Tam özgün çalışma adı: Decisions Beyond Data: Narrative Reporting Practices in Decision-Making

Waandishi: Tamás Zelles; Bernadett Domokos; Sándor Remsei.

Mpangilio wa waandishi: Mpangilio uliotolewa katika chanzo umehifadhiwa vile ulivyo.

Mwandishi anayewajibika: Tamás Zelles.

Mahusiano ya taasisi: Doctoral School of Regional and Business Administration Sciences, Széchenyi István University, Győr, Hungary; Kautz Gyula Faculty of Business and Economics, Széchenyi István University, Győr, Hungary.

Aina ya chanzo na uhakiki wa wenzao: Ni mapitio ya fasihi ya kitabaka tofauti na uchoraji wa ramani wa bibliometria yaliyopitiwa na wenzao na kuchapishwa katika jarida Administrative Sciences. Utafiti hauzalishi data mpya ya majaribio.

Jarida: Administrative Sciences

Juzuu / toleo / nambari ya makala: 16 / 4 / 181

Mwaka wa kuchapishwa: 2026

Tarehe ya kupokelewa: 8 Februari 2026

Tarehe ya marekebisho: 29 Machi 2026

Tarehe ya kukubaliwa: 3 Aprili 2026

Tarehe ya kuchapishwa: 9 Aprili 2026

DOI: 10.3390/admsci16040181

Mchapishaji: MDPI, Basel, Switzerland.

Kiungo rasmi cha chanzo:Ukurasa rasmi wa makala ya Administrative Sciences / MDPI

Leseni: Creative Commons Attribution 4.0 International (CC BY 4.0).

Ufadhili: Makala inaeleza kwamba ada ya usindikaji wa uchapishaji ililipiwa na programu ya msaada wa uchapishaji ya Széchenyi István University.

Kamati ya maadili: Haitumiki.

Ridhaa iliyoarifiwa: Haitumiki.

Upatikanaji wa data: Nyenzo za uchanganuzi za utafiti zinajumuisha makala zilizochapishwa zilizopatikana kutoka hifadhidata za kitaaluma. Hakuna seti mpya ya data asilia iliyoundwa.

Mgongano wa maslahi: Waandishi waliripoti kuwa hakuna mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana ulifanywa na Tamás Zelles na Bernadett Domokos; mbinu na Tamás Zelles; uchanganuzi rasmi na Bernadett Domokos; utafiti na Tamás Zelles; rasimu asilia na mapitio/uhariri na Tamás Zelles; uibua-data na Tamás Zelles; ushauri na Sándor Remsei.

Kipindi cha fasihi iliyochunguzwa: 2021–2025.

Mkusanyiko wa mwisho wa mapitio: Machapisho 95.

Hifadhidata kuu: Web of Science, Scopus na ScienceDirect.

Zana ya bibliometria: VOSviewer 1.6.20.

Maeneo kuu ya utafiti: Business Analytics, Decision Support Systems, Narrative Reporting na Machine Learning.

Kikomo kikuu cha kimethodolojia: Utafiti ni usanisi wa fasihi; haujaribu kwa majaribio athari ya mfumo wa maamuzi wa AI unaoungwa mkono na simulizi kwa watumiaji halisi. Ingawa mchakato wa uteuzi wa makala umeelezwa kwa hatua nyingi, idadi za rekodi kwa kila hatua kutoka maswali ya awali hadi machapisho 95 ya mwisho hazikutolewa, hivyo uwezo wa kuurudia kikamilifu ni mdogo.

Maelezo ya taswira ndani ya chanzo: Katika VOSviewer Şekil 2, legendi ya rangi inaonyesha skeli ya wakati ya 2021–2025, ilhali maandishi yanafafanua rangi tofauti kama makundi ya mada. Katika maudhui haya ya Verianla, tofauti hiyo haikutafsiriwa upya kana kwamba ni data iliyorekebishwa; kutolingana kati ya taswira na maandishi kumeonyeshwa wazi.

Matokeo ya kisayansi, maelezo ya mbinu, mapengo ya utafiti na vikwazo katika maudhui haya ya Verianla yanategemea tu utafiti uliopitiwa. Chanzo cha nje kilitumika tu kuthibitisha utambulisho wa bibliografia na hali ya uchapishaji/uhakiki wa jarida.