# (参考訳) Turtle Score - 類似性に基づく開発者アナライザ [全文訳有]

Turtle Score -- Similarity Based Developer Analyzer ( http://arxiv.org/abs/2205.04876v1 )

ライセンス: CC BY 4.0
Sanjjushri Varshini, Ponshriharini V, Santhosh Kannan, Snekha Suresh, Harshavardhan Ramesh, Rohith Mahadevan, Raja CSP Raman(参考訳) 日々の生活の中で、IT企業にとって非常に要求の多いタスクは、企業の文化に適合する適切な候補を見つけることです。 この研究は、会社にぴったり合う候補者を見つけるために、説得力のある成果を理解、分析、自動生成することを目的としています。 データは、IT領域で働く各従業員のパフォーマンス指標に注目して収集される。 これは多目的性と焦点の広い視野をもたらすさまざまなカテゴリに基づいて行われる。 このデータに対し,学習者分析は機械学習アルゴリズムを用いて学習者類似性と開発者類似性を取得し,同一の作業パターンを持つ人をリクルートする。 同様の性格の人と作業する場合、特定の労働者の効率と能力が高くなることが証明されている。 そのため、生産性の高い人材を募集する採用者にとって有用なツールとなる。 これは、設計したモデルが、高い精度と不正確な推奨スコアで、可能な限りの最良の結果をもたらすことを意味する。

In day-to-day life, a highly demanding task for IT companies is to find the right candidates who fit the companies' culture. This research aims to comprehend, analyze and automatically produce convincing outcomes to find a candidate who perfectly fits right in the company. Data is examined and collected for each employee who works in the IT domain focusing on their performance measure. This is done based on various different categories which bring versatility and a wide view of focus. To this data, learner analysis is done using machine learning algorithms to obtain learner similarity and developer similarity in order to recruit people with identical working patterns. It's been proven that the efficiency and capability of a particular worker go higher when working with a person of a similar personality. Therefore this will serve as a useful tool for recruiters who aim to recruit people with high productivity. This is to say that the model designed will render the best outcome possible with high accuracy and an immaculate recommendation score.
公開日: Tue, 10 May 2022 13:22:11 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。


    Page: /      
2 2 0 2 y a M 0 1 2 2 0 2 y a m 0 1 である。 0.53
] L M . t a t s [ ]LM . t a t s [ 0.35
1 v 6 7 8 4 0 1 v 6 7 8 4 0 0.42
. 5 0 2 2 : v i X r a . 5 0 2 2 : v i X r a 0.42
Turtle Score - Similarity Based Developer Analyzer Turtle Score - 類似性に基づく開発者アナライザ 0.73
Sanjjushri Varshini サンジュシュリ・ヴァルシニ(sanjjushri varshini) 0.40
Ponshriharini V Ponshriharini (複数形 Ponshriharinis) 0.17
sanjjushrivarshini@g mail.com sanjjushrivarshini@g mail.com 0.39
ponshriharini@gmail. com ponshriharini@gmail. com 0.39
Santhosh Kannan サンソシュ・カンナン(Santhosh Kannan) 0.43
Snekha Suresh mail2santhoshkannan@ gmail.com スネカ・シュルシュ mail2santhoshkannan@ gmail.com 0.30
snekhasuresh2777@gma il.com snekhasuresh2777@gma il.com 0.34
Harshavardhan Ramesh harsha77707@gmail.co m Harshavardhan Ramesh harsha77707@gmail.co m 0.39
Rohith Mahadevan Rohith Mádá 0.30
rohithmahadev30@gmai l.com rohithmahadev30@gmai l.com 0.34
Raja CSP Raman raja@tactii.com Raja CSP Raman raja@tactii.com 0.46
May 11, 2022 2022年5月11日 0.71
Abstract In day-to-day life, a highly demanding task for IT companies is to find the right candidates who fit the companies’ culture. 概要 日々の生活の中で、IT企業にとって非常に要求の多いタスクは、企業の文化に適合する適切な候補を見つけることだ。 0.54
This research aims to comprehend, analyze and automatically produce convincing outcomes to find a candidate who perfectly fits right in the company. この研究は、会社にぴったり合う候補者を見つけるために、説得力のある成果を理解、分析、自動生成することを目的としています。 0.55
Data is examined and collected for each employee who works in the IT domain focusing on their performance measure. データは、IT領域で働く各従業員のパフォーマンス指標に注目して収集される。 0.71
This is done based on various different categories which bring versatility and a wide view of focus. これは多目的性と焦点の広い視野をもたらすさまざまなカテゴリに基づいて行われる。 0.80
To this data, learner analysis is done using machine learning algorithms to obtain learner similarity and developer similarity in order to recruit people with identical working patterns. このデータに対し,学習者分析は機械学習アルゴリズムを用いて学習者類似性と開発者類似性を取得し,同一の作業パターンを持つ人をリクルートする。 0.81
It’s been proven that the efficiency and capability of a particular worker go higher when working with a person of a similar personality. 同じような性格の人と働くと、特定の労働者の効率性と能力が高くなることが証明されている。 0.82
Therefore this will serve as a useful tool for recruiters who aim to recruit people with high productivity. そのため、生産性の高い人材を募集する採用者にとって有用なツールとなる。 0.75
This is to say that the model designed will render the best outcome possible with high accuracy and an immaculate recommendation score. これは、設計したモデルが、高い精度と不正確な推奨スコアで、可能な限りの最良の結果をもたらすことを意味する。
訳抜け防止モード: これはつまり 設計されたモデルは、高い精度と不正確な推奨スコアで、可能な限り最高の結果を得る。
Keywords: Machine Learning, IT companies, Recommendation, developer similarity, learner sim- キーワード:機械学習、IT企業、勧告、開発者類似性、学習シム 0.80
ilarity, learner analysis. 1 Introduction 明瞭さ 学習者分析 はじめに 0.60
Companies hire candidates with the traditional methods, new techniques that each specific organization follows. 企業は、各組織が従う新しいテクニックである伝統的な手法で候補者を雇う。 0.65
But in most of the scenarios, there is an issue of hiring candidates who do not fit the culture of the specified organization. しかし、ほとんどのシナリオでは、特定の組織の文化に合わない候補者を採用するという問題があります。 0.72
Only a third of companies report that they monitor whether their hiring leads to a satisfactory result. 3分の1の企業が、採用が満足な結果をもたらすかどうかを監視していると報告している。
訳抜け防止モード: たった3分の1の企業が 彼らは雇用が満足のいく結果をもたらすかどうかをモニターする。
But there is a greater percentage of companies who do not follow up on their employees regarding their skills. しかし、従業員のスキルについてフォローしていない企業は、より多く存在する。 0.64
Moreover, it has become difficult to assess the quality of the candidate and whether they would fit right in with the company culture. さらに、候補者の質や企業文化に適合するかどうかを評価することは困難になっている。 0.65
A lot of variables and factors come into consideration regarding the quality of a candidate the company wants to hire and these vary from different companies concerning different job positions. 企業が採用したい候補者の質に関して、多くの変数や要因が考慮され、それぞれ異なる職種に関する異なる企業によって異なる。 0.71
Predominantly, the quality of a candidate depends upon different factors such as the candidate’s perks, competency, CCI (Continuous Capability Improvement), participatory culture, and so on. 典型的には、候補者の質は、候補者の忍耐力、能力、CCI(Continuous Capability Improvement)、参加型文化など、様々な要因に依存する。 0.59
Also, the hires are not only for entry-level jobs but across most levels. また、採用はエントリーレベルの仕事だけでなく、ほとんどのレベルにまたがる。 0.69
As the job level increases, the requirements for the candidates the company demands also increase respectively. 雇用水準が上昇するにつれて、企業の要求する候補者の要件もそれぞれ増加する。 0.79
This has brought in a new problem of ensuring the level of a candidate is on par with the already employed. これにより、候補者のレベルが既に採用されているものと同等であることを保証するという新しい問題がもたらされた。
訳抜け防止モード: これは新しい問題をもたらしました 候補者のレベルが既に採用されているものと同等であることを保証する。
Also, there is a vast set of competition between the candidates solely over the chances of going to a higher rank in their company. また、社内で上位に進む可能性についてのみ、候補者同士の競争が激化している。 0.63
In these types of scenarios, there comes a comparison metric between the preceding candidates who are trying to move for a higher rank. この種のシナリオでは、上位に進めようとしている前任者の比較基準が提示される。 0.53
To address these issues, this research provides a new metric system for the companies to help in identifying the right set of candidates for employability within their company. これらの課題に対処するため,本研究は,企業内の雇用性に関する適切な候補の特定を支援するための,新たな指標システムを提供する。 0.76
Data collected from various candidates is analyzed and a recommendation system based on similarity is created. 各種候補から収集したデータを分析し、類似性に基づく推薦システムを作成する。 0.76
For this, parameters like turtle score - a score based on the learning analytics score, GitHub score, and error archive score are used. このためには、学習アナリティクススコア、githubスコア、エラーアーカイブスコアに基づくスコア、タートルスコアなどのパラメータが使用される。 0.63
Kaggle’s score is also taken into account for the machine learning candidates. Kaggleのスコアは、機械学習の候補についても考慮されている。 0.71
Kaggle and Github are very popular among most of the leading companies across the globe and these kaggleとgithubは、世界中のほとんどの有力企業で非常に人気がある。 0.73
1 1 0.43
companies take those scores into account as one of the candidate’s requirements. 企業はこれらのスコアを候補者の要求の1つとして考慮する。 0.66
The reason behind this is the scores that each candidate possesses represent their technical skills over the set of domains they have worked on. この背景にあるのは、それぞれの候補者が持つスコアが、自分たちが取り組んできた一連のドメインに対する技術スキルを表しているからです。 0.58
These scores act as a good metric to evaluate a candidate and compare them with candidates with similar scores. これらのスコアは、候補を評価し、類似のスコアを持つ候補と比較する良い指標として機能する。
訳抜け防止モード: これらのスコアは、候補者を評価する良い指標として振る舞う 似たようなスコアの候補と比較します
2 Literature Survey [5] Employability is a major factor in the sustainable competitiveness within the company as well for the personal growth of the candidate. 2 文献調査 5]採用性は,企業内における持続的競争力と,候補者の個人的成長の主要な要因である。 0.76
As a result, a question arises in the mind of everyone - Is the candidate chosen the best option from the pool of choice? その結果、すべての人の心に疑問が生まれます - 候補者は選択のプールから最適な選択肢を選ぶのでしょうか? 0.87
Companies have a hard time answering the said question due to a lack of monitoring and bias in the hiring process itself. 企業は、雇用プロセス自体の監視とバイアスが欠如しているため、この質問に答えるのに苦労しています。 0.68
[9] Implicit bias towards characteristics like race, gender, and sexual orientation has always resulted in persistent inequality and reduces the utility of the employer. 9]人種,性別,性的指向といった特性に対する暗黙のバイアスは,常に不平等を持続させ,雇用者の利便性を低下させてきた。 0.70
So, is there any process that is free from the said problems that can be both reliable and efficient? では、信頼性と効率の両立が可能なような問題から解放されるプロセスはありますか? 0.81
Various machine learning models are analyzed to find an answer. さまざまな機械学習モデルを分析して答えを見つける。 0.83
[8]In the modern competitive world, employers are looking into machine learning models to help them fill their spot of vacancy.[2] [8]現代の競争の世界では、雇用主は空いている場所を埋めるのを助けるために機械学習のモデルを調べています。 0.77
One among the models and the most prominent ones uses recommendation systems. モデルの1つで、最も顕著なものはレコメンデーションシステムを使用する。 0.58
A recommendation system is a system that uses information filtering to predict the preferences of a user.[6] 推薦システムは,ユーザの嗜好を予測するために情報フィルタリングを利用するシステムである[6]。 0.81
A recommendation system does so by using the previous history of the user or by finding similarities with other users. レコメンデーションシステムは、ユーザの過去の履歴を使用するか、他のユーザと類似点を見つけることによって行う。
訳抜け防止モード: ユーザの過去の履歴を用いて推薦するシステム あるいは、他のユーザーと類似点を見つけることで。
It helps to create dynamic recommendations personalized to each user. ユーザごとにパーソナライズされた動的レコメンデーションを作成するのに役立つ。 0.61
Collaborative filtering is the widely used method for creating a recommendation system.[4] コラボレーティブフィルタリングはレコメンデーションシステムの作成に広く利用されている手法である[4] 0.81
Let us consider two users A and B. If A and B are interested in the same product, then their preferences for other products may align more compared to any random user. A と B が同じ製品に興味があるなら、A と B の製品に対する好みは、どのランダムなユーザーよりもよく一致しているかもしれない。 0.69
In the modern data-driven world, recommendation systems play a huge role in supporting the process of decision-making. 現代のデータ駆動の世界では、レコメンデーションシステムは意思決定プロセスをサポートする上で大きな役割を果たす。 0.62
[11]An organization needs to hire candidates without any discrimination based on gender, color, and many other factors. [11]組織は、性別、色、その他多くの要因に基づいた差別なしに候補者を雇用する必要がある。 0.68
To overcome this using an ML model will effectively solve this crisis and decrease the bias that human beings cause. MLモデルを使ってこれを克服するには、この危機を効果的に解決し、人間が原因となるバイアスを減らす必要がある。
訳抜け防止モード: MLモデルを用いてこれを克服する この危機を効果的に解決し 人間が引き起こす偏見を減らします
One of the major reasons to use the ML model in the hiring methodology is that the model can be acclimated over time to adjust to changing priorities. 採用方法論でmlモデルを使用する主な理由の1つは、モデルが優先順位を変更するのに時間とともに順応できるためである。 0.74
[7] The search for similar-minded people has been over many decades but the application of Machine Learning makes this job simpler and better. 7] 類似した考え方を持つ人たちの検索は何十年も前から行われてきたが、機械学習の応用により、この仕事はよりシンプルで良くなる。
訳抜け防止モード: [7]同志の探究は何十年も続いている しかし、機械学習の応用は、この仕事をよりシンプルに、より良くします。
The hashtag-based clustering method with a combination of several rounds of the k-means algorithm and the DBSCAN algorithm is used to form clusters of data that belong to like-minded people. k-meansアルゴリズムとDBSCANアルゴリズムの複数のラウンドを組み合わせたハッシュタグベースのクラスタリング法は、同種の人々に属するデータのクラスタを形成するために使用される。 0.84
Chaotic data of millions of people can be filtered out easily and working partners for each worker can be assigned by the hirer thus increasing the efficiency of both the workers. 数百万人のカオスデータを簡単にフィルタリングでき、各労働者の作業パートナーを雇い主によって割り当てることができるため、双方の作業者の効率が向上する。 0.78
[12] Recruiters in the information technology domain have met the problem of finding appropriate candidates by their skills. 12]情報技術分野のリクルーターは,そのスキルによって適切な候補を見つけるという課題に直面している。 0.64
In the resume, the candidate may describe one skill in different ways or skills could be replaced by others. 履歴書では、候補者は1つのスキルを異なる方法で記述したり、別のスキルに置き換えたりすることができる。 0.61
The recruiters may not have the domain knowledge to know if one’s skills are fit or not, so they can only find ones with matched skills. 採用担当者は、自分のスキルが適合しているかどうかを知るためのドメイン知識を持っていないかもしれない。
訳抜け防止モード: 採用者はドメイン知識を持っていないかもしれない スキルが適合するかどうかを知るために 一致したスキルしか見つからないのです
[1] Academic credentials include but are not restricted to diplomas, degrees, certificates, and certifications, which act as a way to attest completion of training or education undertaken by the student. [1]アカデミック資格には、学位、学位、証明書、認定に制限されないが、学生が行う訓練や教育の完了を証明するための手段として機能する。 0.65
Broadly speaking, these credentials may also attest to the successful completion of any test or exam. 広く言えば、これらの資格証は、テストや試験の完了を成功させる可能性がある。 0.62
Ultimately, they serve as a model of independent validation of the said individual’s possession of the knowledge, skill, and ability needed to carry out a particular task or activity. 最終的には、特定のタスクやアクティビティを実行するために必要な知識、スキル、能力の個人の所有を独立的に検証するモデルとして機能します。 0.70
The most competent skills that are meant to be present among the candidates that are proclaimed by larger companies are based on Kaggle, Github score, etc., Information regarding one’s Kaggle or Github helps the company to identify the level of skill-set of the candidate. 大企業が公言する候補者の中で最も有能なスキルは、kaggleやgithub scoreなどに基づいており、kaggleやgithubに関する情報は、候補者のスキルセットのレベルを特定するのに役立ちます。
訳抜け防止モード: 最も有能なスキルは 大企業によって宣言される候補者の中に 存在することを意図しています GithubはKaggleやGithubのスコアなどをベースとしています。 スキルのレベルを特定する会社 - 候補者のセット。
[3] Kaggle is a platform service for data analysis competition that was established in 2010. Kaggleは2010年に設立されたデータ分析コンペティションのためのプラットフォームサービスです。 0.71
Corporations and data scientists provide the data and challenges, and users propose such things as analysis models.[10] 企業やデータサイエンティストはデータと課題を提供し、ユーザは分析モデルのようなものを提案する[10]。 0.79
Insights such as the quality of contributions made by a developer on GitHub could provide an initial understanding of a potential candidate’s coding capabilities. GitHub上の開発者によるコントリビューションの品質のような洞察は、潜在的な候補のコーディング能力に関する最初の理解を提供する可能性がある。 0.75
Considering the rising popularity of social recruiting and the kind of potential GitHub platform offers, GitHub can be leveraged for software developer recruitment. ソーシャルリクルートの人気が高まり、GitHubプラットフォームがもたらす可能性を考えると、GitHubはソフトウェア開発者のリクルートに活用できる。
訳抜け防止モード: ソーシャルリクルートの人気が高まっていることや、GitHubプラットフォームが提供する可能性を考えると、 GitHubはソフトウェア開発者の採用に利用できる。
3 Existing Model 3.1 Avrio 3 既存モデル 3.1アブリオ 0.66
Avrio on its own has its own set of hiring processes. avrioには独自の雇用プロセスがある。 0.45
At first, they basically use a messenger bot in their hiring process to communicate with their candidates. 最初は、採用プロセスにメッセンジャーボットを使って候補者とコミュニケーションをとる。
訳抜け防止モード: 最初はmessengerボットを雇用のプロセスに使っていました 候補者とコミュニケーションを取ります
This is sort of their pre-screening process これは彼らの事前スクリーニングプロセスです 0.74
2 2 0.42
for their interview. インタビューのために 0.66
They generate a complete profile from their profile analysis of those candidates who submitted their resumes. 彼らは履歴書を提出した候補者のプロフィール分析から完全なプロフィールを生成する。 0.74
Avrio has its own Fitscore for each candidate to compare them based on various factors and the generated profile will be run through every job offering database to see if there are any matches. Avrioには、さまざまな要因に基づいて比較するための独自のFitscoreがあり、生成されたプロファイルは、マッチがあるかどうかを確認するために、すべてのジョブ提供データベースを通して実行される。 0.66
Also, they have their very own virtual assistant called Rio which is responsible for the candidates’ personal profile as it is programmed to record and present the analysis of the candidate by asking different sets of questions that will reflect their skills, capability, and interest set for the available job. また、Rioという独自のバーチャルアシスタントも用意されており、候補者の個人プロフィールを記録・提示するようにプログラムされており、候補者のスキル、能力、仕事に対する関心を反映した様々な質問をすることで候補者の分析を行う。 0.71
3.2 Ideal Somen and Shaun are the co-founders of Ideal. 3.2 理想 SomenとShaunはIdealの協同ファウンダだ。 0.40
The idea of this started off from their own personal experience as they were struggling to make data-backed hiring decisions in their decisions. このアイデアは、データによって支えられた雇用決定を下す決定を下すのに苦労していた、自身の個人的な経験から始まった。 0.60
The idea of them having a thought that there might be a better idea never left off and now here they are with their solution. 彼らの考えでは、もっと良いアイデアがあるかもしれない、という考え方は、決して消えてはいない。 0.63
They claim to have their own virtual assistant which directly integrates with the existing clients’ applications. 彼らは、既存のクライアントのアプリケーションと直接統合する独自の仮想アシスタントを持っていると主張している。 0.63
The assistant also trains itself from their past hiring decisions from millions of candidates. アシスタントはまた、過去の数百万の候補者からの雇用決定から自らを訓練する。 0.61
They adapt to two main processes. 2つの主要なプロセスに適応する。 0.70
At glance, the first part of the process is Resume screening which is by default performed manually. 一見すると、プロセスの最初の部分は、デフォルトで手動で実行される再開スクリーニングです。 0.73
They don’t specifically use any standardized criteria for every resume which is why this system exhibits inherent biasing. 履歴書ごとに標準化された基準を特に使用していないため、本システムは固有のバイアスを示しています。 0.62
For an ideal candidate, the virtual AI quickly identifies the required elements using pattern recognition. 理想的な候補として、仮想aiはパターン認識を使用して必要な要素を素早く識別する。 0.62
The second part is Candidate sourcing. 第2部は、候補ソーシングです。 0.76
The virtual assistant of Ideal uses client credentials to automatically connect to various third-party candidate websites. Idealの仮想アシスタントはクライアントの認証情報を使って、さまざまなサードパーティの候補ウェブサイトに自動的に接続する。
訳抜け防止モード: Idealの仮想アシスタントはクライアント認証を使用する サードパーティの候補Webサイトに自動的に接続する。
The required parameters will be made by the clients so that the algorithm consistently searches those third-party websites for any matching for the candidates. 要求されるパラメータはクライアントによって作成され、アルゴリズムは候補にマッチするサードパーティのウェブサイトを一貫して検索する。 0.82
3.3 Entelo Entelo is one such example that revolves around a talent sourcing software platform using AI to help companies identify quality candidates. 3.3 エンテロ enteloは、aiを使って企業の品質候補を特定するための人材ソーシングソフトウェアプラットフォームを中心に展開する例だ。 0.66
The algorithm that the company claims is something that is capable of doing some extreme tasks in a short period of time. 同社が主張するアルゴリズムは、短時間でいくつかの極端なタスクを実行できるものだ。 0.66
To achieve this factor, Entelo has identified over 70 predictive variables which are further used to analyze the data of different candidate profiles. この要因を達成するため、enteloは70以上の予測変数を特定し、異なる候補プロファイルのデータを分析するためにさらに使われている。 0.71
One among the examples of the variables is something like the Linkedin profile of the candidate. 変数の例の1つは、候補のLinkedinプロファイルのようなものである。 0.73
The company specifically targets individuals who are not actively seeking employment but still are open to exploring new opportunities. 同社は特に、積極的に雇用を求めていないが、まだ新しい機会を探究できる個人をターゲットにしている。 0.64
4 Distance Similarity Used 4.1 Chebyshev 4 距離類似性 4.1 チェビシェフ 0.65
The Chebyshev distance, also called the Tchebyshev distance, is referred to as the maximum absolute distance. チェビシェフ距離(chebyshev distance)またはチェビシェフ距離(chebyshev distance)は、最大絶対距離と呼ばれる。 0.75
It examines the absolute value of the distance between any two points on the axes. これは軸上の任意の2点間の距離の絶対値を調べる。 0.75
The Chebyshev Distance is mainly used in the game of chess and used in warehouse logistics. チェビシェフ距離は主にチェスのゲームで使われ、倉庫の物流に使われる。 0.61
The Chebyshev distance is given by the mathematical equation: チェビシェフ距離は数学的方程式によって与えられる。 0.61
d(p, q) = max(|qx − px| ,|qy − py|) d(p, q) = max(|qx − px| ,|qy − py|) 0.50
4.2 Canberra The Canberra Distance is the measure of any two points of a set in a vector space. 4.2キャンベラ キャンベラ距離(canberra distance)は、ベクトル空間内の集合の任意の2点の測度である。 0.60
The selected pair consists of non-negative real numbers. 選択された対は非負の実数からなる。 0.59
The Canberra distance is used for comparing ranked lists and used in computer systems to check for any malicious activities or any violation of policy. キャンベラ距離はランクリストの比較に使われ、コンピュータシステムで悪意ある活動やポリシー違反をチェックするために使用される。 0.67
The mathematical expansion is given as: 数学的展開は次のとおりである。 0.59
d(p, q) = |qx − px| |qx| + |px| + d(p, q) = |qx − px| |qx| + |px| + 0.38
|qy − py| |qy| + |py| qy − py| |qy| + |py| 0.33
4.3 Euclidean 4.3 ユークリッド 0.60
Euclidean distance is the length of the line segment joining two points in an Euclidean space. ユークリッド距離(英: Euclidean distance)は、ユークリッド空間の2点を結合する線分の長さである。 0.60
If the Cartesian coordinates of the points are known, the Euclidean distance can be calculated using the 点のデカルト座標が知られている場合、ユークリッド距離を計算できる。
訳抜け防止モード: 点のデカルト座標が知られている場合 ユークリッド距離は、これを用いて計算できる。
3 3 0.42
Pythagorean theorem. So it is sometimes called the Pythagorean distance. ピタゴラスの定理。 ピタゴラス距離(pythagorean distance)とも呼ばれる。 0.59
The Euclidean distance is symmetric and it is positive for any two distinct points and zero for any point and itself. ユークリッド距離は対称であり、任意の2つの異なる点に対して正であり、任意の点とそれ自身に対してゼロである。 0.61
(cid:113) (qx − px)2 + (qy − py)2 (cid:113) (qx − px)2 + (qy − py)2 0.41
4.4 Manhattan d(p, q) = 4.4マンハッタン d(p, q) = 0.52
Manhattan distance is the sum of the projections of the line segment joining two points onto the coordinate axes in an n-dimensional vector space. マンハッタン距離 (manhattan distance) は、2つの点をn次元ベクトル空間の座標軸に繋ぐ線分の射影の和である。 0.77
In simple words, it is the sum of the absolute difference between all dimensions of two points It is extensively used in a vast array of fields from regression analysis to frequency distribution. 単純な言い方をすれば、2つの点のすべての次元の絶対差の和であり、回帰解析から周波数分布まで幅広い分野において広く使われている。 0.76
d(p, q) = |qx − px| + |qy − py| d(p, q) = |qx − px| + |qy − py| 0.46
4.5 Minkowski 4.5ミンコフスキー 0.47
The Minkowski distance can be considered as a generalization of the Euclidean distance and the Manhattan distance. ミンコフスキー距離はユークリッド距離とマンハッタン距離の一般化と見なすことができる。 0.63
Minkowski distance of order p can be found using the formula 位数 p のミンコフスキー距離は公式を用いて見つけることができる。 0.65
n(cid:88) d(p, q) = ( n(第88回) d(p, q) = ( 0.51
|pi − qi|p) |pi − qi|p) である。 0.49
1 p Where p is an integer. 1P。 ここで p は整数である。 0.52
For p=1 and p=2, the Minkowski distance is reduced to the Manhattan distance and Euclidean distance respectively. p=1 と p=2 の場合、ミンコフスキー距離はそれぞれマンハッタン距離とユークリッド距離に減少する。 0.82
In this paper, the Minkowski distance of order 3 has been implemented. 本稿では,位数3のミンコフスキー距離について述べる。 0.49
i=1 4.6 Bray-Curtis i=1 である。 4.6 ブレイカーティス 0.42
Bray-Curtis distance is used to find how similar the given two candidates are. ブレイ・カーティス距離は、与えられた2つの候補がどれだけ似ているかを見つけるために使われる。 0.42
follows: It is calculated as 以下の通りです 計算される。 0.58
(cid:88)|ui − vi|/ (cid:88)|ui − vi|/ 0.34
(cid:88)|ui + vi| (出典:88)|ui + vi| 0.70
d(p, q) = The differences between the respective values of the candidates are added together and taken as the numerator. d(p, q) = 候補の値の差分を合わせて加算し、数値演算子とする。 0.46
The summation of the sum of respective values is taken as the denominator. 各値の和の和の和を分母とする。 0.42
The result provides the Bray-Curtis distance. その結果、ブレイ・カーティス距離が得られる。 0.40
If the distance is close to 0, then it means that the given two candidates are closely related. 距離が 0 に近い場合、与えられた二つの候補は密接な関係にあることを意味する。 0.78
4.7 Cosine Cosine similarity and Cosine distance are inversely related to each other. 4.7コサイン コサインの類似性とコサイン距離は互いに逆関係である。 0.65
As the distance decreases, similarity increases. 距離が減少すると、類似性が増す。 0.75
So, the value of Cosine distance should be closer to 0 to get a highly similar result. したがって、コサイン距離の値は0に近づき、非常に類似した結果が得られる。 0.75
Cosine similarity projects the given two vectors on a multi-dimensional plane and calculates the cosine angle between them. コサイン類似性は、与えられた2つのベクトルを多次元平面上に射影し、それらの間のコサイン角を計算する。
訳抜け防止モード: 多次元平面上の与えられた2つのベクトルを射影するコサイン類似性 それらの間のコサイン角を計算します。
d(p, q) = cos(θ) = d(p, q) = cos(θ) = 0.43
A.B ||A||||B|| = A.B. ||a|||b||= 0.18
(cid:80)n (cid:112)(cid:80)n (cid:80)n (cid:112)(cid:80)n 0.39
(cid:112)(cid:80)n (cid:112)(cid:80)n 0.39
i=1 AiBi i=1 A2 i i=1 AiBi i=1 A2 i 0.34
i=1 B2 i Here, A and B are the points projected on the multi-dimensional plane. i=1 B2 i ここで、A と B は多次元平面上に射影される点である。 0.52
The cosine angle between A and B is calculated to find the cosine similarity. AとBの間のコサイン角を計算してコサイン類似性を求める。 0.68
Cosine distance = 1 - Cosine similarity If the distance is close to 0, then it means that the given two candidates are highly similar to each other. コサイン距離 = 1 - コサイン類似性 距離が 0 に近ければ、与えられた2つの候補は互いに非常によく似ていることを意味する。 0.81
5 Proposed Method To overcome this problem, the model tries to find the similarity between candidates. 5 提案手法 この問題を解決するために、モデルは候補間の類似性を見つけようとする。 0.75
In this paper, a new standardization metric is introduced for measuring a candidate’s potential skills on the technical scale for the recruitment process from a company’s point of view. 本稿では,企業の観点から,採用プロセスの技術的規模において,候補者の潜在的なスキルを測定するための新たな標準化基準を提案する。 0.85
This metric is termed as “ Turtle Score“. この計量は「タートルスコア」と呼ばれる。 0.62
4 4 0.42
5.1 Turtle-Score A score based on the learning analytics score, GitHub score, Puzzle meter, Job Shadowing meter, and error archive score is the metric that is used to measure one’s potential skills in the technical scale for the recruitment process. 5.1亀スコア 学習分析スコア、GitHubスコア、Puzzleメータ、ジョブシャドウイングメータ、エラーアーカイブスコアに基づくスコアは、採用プロセスの技術的スケールにおける潜在的なスキルを測定するために使用されるメトリクスである。
訳抜け防止モード: 5.1亀スコア 学習分析スコア、GitHubスコアに基づくスコア。 Puzzle meter、Job Shadowing meter、エラーアーカイブスコアは、そのメトリックです。 採用プロセスの技術的スケールにおいて、ある人の潜在的なスキルを測定するために使用されます。
Various Machine Learning schemes are integrated to make the process much more subtle. さまざまな機械学習スキームが統合され、プロセスをより微妙にします。 0.74
These scores each help to analyze the characteristics of a candidate in specific problems. これらのスコアは、特定の問題における候補の特性を分析するのに役立つ。 0.67
5.2 Github Turtle Score 5.2 Github Turtle Score 0.42
Github plays an important role in every developer’s career. Githubはすべての開発者のキャリアにおいて重要な役割を果たす。 0.75
Being a code-hosting platform, Github can decide the experience and coding knowledge of a person. コードホスティングプラットフォームであるGithubは、人の経験とコーディング知識を決定することができる。 0.77
A person can be evaluated just by looking at the contributions made by them and the repositories along with the projects they had worked on. その人は、彼らと彼らが取り組んでいるプロジェクトと一緒に、リポジトリによってなされた貢献を見るだけで評価できる。 0.72
Github score is the sum total of all these outcomes and it mainly focuses on the number of commits that a particular person had contributed to all the repositories over a span of time. Githubのスコアは、これらの成果の合計であり、主に、ある人が複数の時間にわたってすべてのリポジトリに貢献したコミットの数に焦点を当てている。 0.79
This shows the consistency and the working nature of a person within a few seconds thereby saving time. これは、数秒以内に人の一貫性と作業性を示し、時間を節約します。 0.73
5.3 Learning Analytics Turtle Score 5.3 学習分析のタートルスコア 0.64
LA score is derived from Learning Analytics which is based on the collection and analysis of different websites and articles that the candidate had come across while working. LAスコアは、候補者が作業中に出会ったさまざまなウェブサイトや記事の収集と分析に基づくLearning Analyticsに由来する。 0.72
Learning Analytics is an extension that helps in collecting and storing articles, research papers, websites, etc., which seems to be helpful for a person to solve an error or to complete the coding process. 学習分析(Learning Analytics)は,記事や研究論文,Webサイトなどの収集と保存を支援するエクステンションで,エラーの解決やコーディングプロセスの完了に有用と思われる。 0.72
This score can help in determining the interests and skill set of a candidate in a particular area of knowledge by analyzing all the data collected by the individual using the Learning Analytics extension. このスコアは、学習分析拡張を用いて個人が収集したすべてのデータを分析し、特定の知識領域における候補者の興味とスキルセットを決定するのに役立つ。 0.79
5.4 Kaggle Score Kaggle is a well-known website for Machine Learning candidates which offers datasets and Jupyter Notebooks to publish and run ML models. 5.4カグルスコア Kaggleは機械学習候補のための有名なウェブサイトで、MLモデルのパブリッシュと実行のためにデータセットとJupyter Notebookを提供する。 0.72
Kaggle is the best option if one is going for machine learning-based tasks. kaggleは、機械学習ベースのタスクを行う場合に最適な選択肢です。 0.73
Thus, the Kaggle score would reveal the Machine Learning proficiency of a candidate and can help determine the right candidate for the job accordingly. したがって、Kaggleのスコアは、候補者の機械学習能力を明らかにし、それに従ってジョブの適切な候補を決定するのに役立つ。 0.67
5.5 Error Archive Score 5.5 エラーアーカイブスコア 0.76
Errors occupy an important position in the career of a person as it is a part of the learning process and it helps change the perspective of viewing a particular problem. エラーは、学習プロセスの一部であり、特定の問題を見る視点を変えるのに役立つので、人のキャリアにおいて重要な位置を占める。 0.69
This is why it is essential to keep a note of all the errors and the solution used to overcome them. そのため、すべてのエラーとそれら克服に使用されたソリューションをメモしておくことが不可欠である。 0.70
This score can help in analyzing the problem-solving ability and the technical skill to overcome that error. このスコアは、そのエラーを克服する問題解決能力と技術的スキルを分析するのに役立つ。 0.72
5.6 Job Shadowing Meter 5.6ジョブシャドウメータ 0.72
Job shadowing meters are derived based on how interactive and learnable a particular candidate is during their job shadowing period. ジョブシャドーイングメーターは、特定の候補がジョブシャドーイング期間中にいかにインタラクティブで学習可能かに基づいて導き出される。 0.63
A candidate is asked to observe someone else working on a particular technology and gain knowledge from them. 候補者は、特定の技術に取り組んでいる誰かを観察し、彼らから知識を得るよう求められます。
訳抜け防止モード: 候補者が尋ねられます 特定の技術に携わる誰かを観察し そこから知識を得るのです
During this period, if the candidate is capable of understanding what exactly is going on and if they are able to work on the said technology without any guidance, then they get a high score. この期間、候補者が正確に何が起きているのかを理解し、ガイダンスなしでその技術に取り組むことができるならば、高いスコアを得ることになる。 0.66
This is used to see where a person stands on their learning and observation scale. これは、人が学習と観察の尺度でどこに立つかを見るために使用される。 0.71
5.7 Puzzle Meter 5.7 パズルメーター 0.64
Puzzle meters are an exclusive tool to identify candidates with an urge to solve problems given to them no matter how long it takes or how hard the task is. Puzzlemeterは、どんなに時間がかかるか、そのタスクがどれだけ難しいかに関わらず、候補者に与えられた問題を解決するための専用のツールである。 0.71
A candidate can be assigned with tasks from different areas of expertise thereby the Manager can assess them by considering the time taken to solve the particular problem and the interest of the candidate in that particular task which made them work off the clock. 候補者は異なる専門分野のタスクを割り当てることができるので、管理者は特定の問題を解決するのに要する時間と、その特定のタスクにおける候補者の興味を考慮し、それらを評価することができる。 0.80
This helps in filtering out the candidates with talent in a particular field of interest. これは特定の分野の才能を持つ候補者をフィルタリングするのに役立ちます。 0.77
The company can assign each and every candidate with a custom-made score according to their performance in the tasks assigned. 企業は、各候補者に割り当てられたタスクのパフォーマンスに応じてカスタムメイドスコアを割り当てることができる。 0.82
Thus, deserved candidates can be chosen for the jobs accordingly. したがって、適格な候補者をその職に選べる。 0.68
5 5 0.42
Therefore by combining all these scores, a person would be able to determine the total skill-set of a candidate and also find similar candidates with the same talents. したがって、これらすべてのスコアを組み合わせることで、候補者のスキルセットの合計を判断し、同じ才能を持つ類似の候補を見つけることができる。 0.76
The similarity between any two candidates is found by comparing the above parameters between any two candidates. 任意の2つの候補の類似性は、上記の2つの候補のパラメータを比較して見出される。 0.69
This similarity found can in turn be used to find the potential job position any given candidate might be able to get. この類似性は、任意の候補者が得る可能性のあるジョブポジションを見つけるために使用できる。 0.73
6 Technology Used 6.1 Flask 6 利用技術 6.1 フラスコ 0.70
This web framework is used to display the result in a web interface. このWebフレームワークは、その結果をWebインターフェースで表示するために使用されます。 0.77
The application must be brought in this interface form in order to deploy it using docker. アプリケーションは、dockerを使ってデプロイするには、このインターフェース形式でなければならない。 0.70
Flask framework in this model takes in a user’s details as input and provides with similar candidate list as output along with its similarity percentile. このモデルのFlaskフレームワークは、ユーザの詳細を入力として取り込んで、類似性パーセンタイルとともに、類似した候補リストを出力として提供する。
訳抜け防止モード: このモデルのFlaskフレームワークは、ユーザの詳細を入力として取り込む 同様の候補リストを出力として提供し、類似性パーセントも提供する。
It also predicts and displays the job position which might be suitable for the candidate based on the given candidate data. また、所定の候補データに基づいて、候補に適したジョブ位置を予測し、表示する。 0.68
This comparison takes place in the background using the code present in a python file. この比較は、pythonファイルにあるコードを使用してバックグラウンドで行われる。 0.78
6.2 Docker 6.2 Docker 0.35
A simple docker deployment is done in order to avoid any errors related to versions. バージョンに関連するエラーを回避するために、単純なdockerデプロイメントが実行される。 0.70
The current machine learning model runs in a particular version with which it is built. 現在の機械学習モデルは、構築された特定のバージョンで実行される。 0.85
When it is used in a different system, it might throw some error depending on the version used in that user’s system. 別のシステムで使用される場合、ユーザのシステムで使用されるバージョンによって何らかのエラーが発生する可能性がある。 0.80
To overcome this problem, a docker image with all the versions specified is created. この問題を解決するために、指定されたすべてのバージョンを持つdockerイメージが生成される。 0.67
Since the docker image installs the required versions, the application runs perfectly fine in any system without errors related to its version. dockerイメージは必要なバージョンをインストールするので、アプリケーションは、そのバージョンに関するエラーなしに、あらゆるシステムで完全に正常に実行される。 0.69
7 Working 7.1 Data Flow 作業7 7.1 データフロー 0.74
Figure 1: Data Flow 7.1.1 Raw Data 図1:データフロー 7.1.1 生データ 0.66
Real-time data of each candidate is piled and dumped into the database. 各候補のリアルタイムデータは蓄積され、データベースにダンプされる。 0.77
6 6 0.42
7.1.2 Data Pre-Processing 7.1.2 データ事前処理 0.50
The data would be filtered and would undergo a few processes to remove outliers and to fill the null values. データはフィルタリングされ、外れ値を取り除き、null値を埋めるためにいくつかのプロセスを実行する。 0.75
7.1.3 Data Manipulation 7.1.3 データ操作 0.55
The data is visualized for a better understanding of the workflow of each candidate and to compare among the candidates to find similar ones. データは各候補のワークフローをよりよく理解するために可視化され、類似のワークフローを見つけるために候補間で比較される。
訳抜け防止モード: データは各候補のワークフローをよりよく理解するために視覚化される 類似するものを探すために 候補者を比べます
7.1.4 Distance-Similarity Calculation 7.1.4 距離類似性計算 0.40
The difference among each candidate’s data is calculated and an overall similar percentile score is found. 各候補のデータの違いが計算され、全体として類似したパーセンタイルスコアが見つかる。 0.72
7.1.5 ML Integration 7.1.5 ML統合 0.56
This includes the prediction of similar candidates using the related similar score accordingly using the machine learning tools and the accurate results are produced. これには、機械学習ツールを用いて類似したスコアを用いて類似候補を予測し、正確な結果を生成する。 0.73
7.2 Data Architecture 7.2 データアーキテクチャ 0.71
Figure 2: Architecture Chart 図2:アーキテクチャチャート 0.77
7.2.1 Training Flow 7.2.1 トレーニングフロー 0.57
The inputs for the training model will be loaded. トレーニングモデルの入力がロードされます。 0.69
The input data set that has been loaded for the training model is the company dataset of all candidates. トレーニングモデルのためにロードされた入力データセットは、すべての候補の企業データセットである。 0.85
Now, the data is prepared for training where it will undergo some process to fill null values and remove outliers in the provided data set. 現在、データはトレーニングのために準備されており、ヌル値を満たすプロセスを実行し、提供されたデータセットの外れ値を削除する。 0.67
Now the prepared data set will be tested and used in different distance similarity measures for calculating the 準備されたデータセットは、異なる距離類似度尺度でテストされ、使用される。 0.70
7 7 0.42
distance-similarity percentile. 距離相似パーセンタイル。 0.62
Now the machine learning algorithm will be trained for some similar worker prediction. 機械学習アルゴリズムは、同様の労働者予測のために訓練される。 0.77
Now as the model is further trained for job prediction under linear SVC. 現在、モデルは線形SVCの下でジョブ予測のためにさらに訓練されている。 0.63
The resulting data will be sent for final evaluation and the final model will be presented. 得られたデータは最終評価のために送信され、最終モデルが提示されます。
訳抜け防止モード: 得られたデータは最終評価のために送信される 最終モデルは提示されます
7.2.2 Prediction Flow 7.2.2 予測フロー 0.55
As the training flow gets completed, the system will now load inputs for the prediction model. トレーニングフローが完了すると、システムは予測モデルの入力をロードする。 0.61
The Input data set that has been loaded for the training model is the company dataset of all candidates. トレーニングモデルのためにロードされた入力データセットは、すべての候補の企業データセットである。 0.84
Now, the data is prepared for training where the data will undergo some process to fill null values and remove outliers in the provided data set. 現在、データはトレーニングのために準備されており、データは、ヌル値を満たすプロセスを実行し、提供されたデータセットの外れ値を削除する。 0.65
Now the prepared data set will be tested and used in different distance similarity measures for calculating the distance-similarity percentile. 現在、準備されたデータセットはテストされ、距離類似度パーセンタイルを計算するために異なる距離類似度尺度で使用される。 0.61
Now the resulting values will be sent for prediction analysis for finding a similar worker using the final model. 結果の値は、最終モデルを使用して同様のワーカーを見つけるための予測分析のために送信される。 0.69
Now as the model is further trained for similar jobs to the predicted model. モデルが予測したモデルと同じようなジョブのためにさらにトレーニングされるようになる。 0.68
The system will now present the result that was produced by the prediction model. このシステムは、予測モデルによって生成された結果を表示する。 0.82
8 Result Analysis To find the most similar candidate to any given candidate, different models to get varying results are used. 8 結果分析 任意の候補と最も似た候補を見つけるために、異なる結果を得るために異なるモデルが使用される。 0.57
Each model has its own ups and downs, so these models here are analyzed and their results are compared to one another. それぞれのモデルには独自のアップアンドダウンがあるので、これらのモデルは分析され、結果が互いに比較されます。 0.74
These results are calculated based on the turtle score. これらの結果はカメのスコアに基づいて計算される。 0.63
Therefore the comparison is done based on this and similarity is then calculated accordingly. したがって、これに基づいて比較を行い、それに応じて類似度を算出する。 0.72
It depends on how closely they are related, that is, the smaller the difference between the scores of any two candidates, the closer is the relation between them. 両者がどの程度密接に関連しているか、すなわち2つの候補のスコアの差が小さいか、その関係が近いかによって異なる。 0.74
Fig 3 indicates the similarity percentile for 6 different people fig 3は、6人の異なる人々の類似性を示す 0.72
when they are compared to a given candidate. 特定の候補者と比較される時です 0.62
This table shows how the result varies depending on the distance calculation function used. この表は、使用する距離計算関数によって結果がどのように変化するかを示す。 0.68
Thus, based on distance and percentile range, models can be ordered as least to most similar candidate finder: したがって、距離とパーセンタイル範囲に基づいて、モデルは少なくとも最も類似した候補ファインダーに順序付けすることができる。 0.63
Figure 3: Similarity percentile table 図3:類似度パーセンタイルテーブル 0.82
1. Manhattan 2. Euclidean 1.マンハッタン 2.ユークリッド 0.70
3. Minkowski 4. Canberra 3.ミンコフスキー 4.キャンベラ 0.59
5. Chebyshev 8 5. チェビシェフ 8 0.54
6. Bray-Curtis 6.ブレイカーティス 0.55
7. Cosine Also, the most appropriate job for the candidate is predicted. 7.コサイン また、候補者にとって最も適した仕事が予測される。 0.67
For this, a classification model is trained on the turtle score of the company employees. このため、会社従業員のカメスコアに基づいて分類モデルを訓練する。 0.67
Next, it is fed with the candidate’s turtle score to predict the suitable job for the candidate in the company. 次に、候補者のカメスコアを入力して、会社の候補者に適した仕事を予測する。 0.62
Several supervised classification models were tested and Linear Support Vector Classifier (SVC) was the best among them with an accuracy of 87 いくつかの教師付き分類モデルが試験され、線形支援ベクトル分類器(SVC)が87の精度で最高であった。 0.77
9 Future Works Over this course of Turtle score research, the comparison is done using Distance Similarity measures such as Euclidean, Manhattan, Minkowski, and many more. 未来作品9選 タートルスコア研究のこの過程では、ユークリッド、マンハッタン、ミンコフスキーなどの距離類似性を用いて比較が行われる。 0.65
There are over 9 different Distance similarity measures used in this research and further research can be done with many more similarity measures. この研究には9以上の異なる距離類似度尺度があり、さらに多くの類似度尺度で研究を行うことができる。 0.80
Further research can also be done by bringing up many more entities. さらなる研究は、さらに多くのエンティティを持ち上げることで行うことができる。 0.73
This might lead to a much closer similarity. これは、より近い類似性をもたらす可能性がある。 0.67
Also, the addition of different unique entities makes the turtle score more compatible and customizable as organizations from different sectors can use it as well. また、異なる独自の実体が加わったことで、異なる分野の組織でも利用できるため、カメのスコアはより互換性が高く、カスタマイズできる。
訳抜け防止モード: また、異なるユニークな実体を追加することで、 カメは より互換性があり カスタマイズ可能で 様々な分野の組織でも利用できます
Data can also be derived from various candidates belonging to various age groups. データは様々な年齢グループに属する様々な候補者から得られる。 0.80
This will provide the dataset with diversity which in turn will improve the application range of the model. これが提供します 多様性のあるデータセットは、モデルの適用範囲を改善します。 0.71
10 Conclusion The primary ideology behind this applied research is that the process of recruitment is made to be efficient in order to hire candidates like whom exactly the company wishes to have. 10 結論 この応用研究の背後にある主要なイデオロギーは、採用のプロセスは、企業が正確に希望する候補者を雇うために効率的であるということである。 0.70
This can be achieved by the innovative algorithm methodology this paper deals with. これは、この論文が扱う革新的なアルゴリズム手法によって達成できる。 0.70
This can even study the student and help them to identify their own standard and can sustain in IT industries. これにより、学生を学習し、彼ら自身の標準を特定し、IT業界で持続することができる。 0.61
This will make the job of the recruiting strategy more manageable in such a way that companies can employ the individuals they hope to. これにより、採用戦略の業務は、企業が希望する個人を雇用できるような方法で、より管理しやすいものになる。 0.67
Various algorithms and testing were implemented to deliver the best outcomes. さまざまなアルゴリズムとテストが実装され、最高の結果が得られた。 0.62
One of the biggest pros of Turtle score is that it is compatible with any environment. turtle scoreの最大の利点の一つは、あらゆる環境と互換性があることだ。 0.76
This turtle score can also be implemented in more than one set of organizations such as このカメは スコアは、例えば複数の組織で実行することもできる。 0.56
• It can be modified in such a way that the schools can track the progress of their students over 一、学校が生徒の経過を追跡できるように変更することができる。
訳抜け防止モード: •このような方法で修正することができる。 学校は生徒の進捗を追跡できます
the years, • Helps medical organizations to understand the patient’s health in terms of recovering from any 何年にもわたって ・医療機関が患者の健康を回復する上での理解を助けること 0.58
disease or any syndrome and many more. 病気とか 症候群とか いろいろ。 0.65
It can also be used to find what kind of jobs are compatible for the given candidate. また、特定の候補に対してどのような種類のジョブが互換性があるかを見つけるためにも使用できる。
訳抜け防止モード: 使うこともできます 与えられた候補者にどのような仕事が適合するかを 突き止めるためです
This can be done by getting a similar candidate and checking their current profession or job post. これは、同様の候補を取得して、現在の職業や役職をチェックすることで実現できる。 0.70
Therefore, this model can be used to predict a person’s future job using their current data. したがって、このモデルは、現在のデータを使用して、人の将来の仕事を予測するために使用できる。
訳抜け防止モード: そのため、このモデルを用いることができる。 現在のデータを使って将来の仕事を予測する。
This makes it possible to apply the turtle score model to any college-going or school student and predict their future job. これにより、亀のスコアモデルをどの大学生や生徒にも適用し、将来の仕事を予測することができる。 0.69
It also helps to provide a progress report which tells them where to improve in order to land a particular job post. また、特定のジョブポストに着地するために、どこを改善するべきかを示す進捗レポートの提供にも役立ちます。 0.65
This in turn encourages students to stay on their feet and improve. これにより、生徒は足元に留まり、改善することが奨励される。 0.66
Finding similar candidates not only makes it possible to recruit people based on the requirements but also provides more data about a person as similar data is stored in the dataset. 類似した候補を見つけることで、要件に基づいて人材を募集できるだけでなく、類似したデータがデータセットに格納されているため、人物に関するデータも提供される。 0.70
It’ll serve as an effective tool in identifying potential amongst people in the IT sector or it can even spread out to other sectors. it部門の人々の間で潜在的な可能性を識別する効果的なツールになるか、あるいは他の部門にも広がる可能性がある。 0.64
11 Acknowledgement We would like to show our gratitude to Featureprenuer for sharing their valuable data for the development of this application. 11 承認 このアプリケーションの開発で貴重なデータを共有してくれたFeatureprenuerに感謝します。 0.58
9 9 0.42
References [1] Chaitanya Bapat. 参考文献 チャタニヤ・バパット(Chaitanya Bapat)。 0.51
Blockchain for Academic Credentials. 学術認証のためのブロックチェーン。 0.53
arXiv e-prints, page arXiv:2006.12665, arXiv e-prints, page arXiv:2006.12665, 0.32
June 2020. [2] Hrisav Bhowmick, Ananda Chatterjee, and Jaydip Sen. Comprehensive Movie Recommendation 2020年6月。 [2] Hrisav Bhowmick, Ananda Chatterjee, Jaydip Sen.comprehensive Movie Recommendation 0.37
System. arXiv e-prints, page arXiv:2112.12463, December 2021. システム。 arxiv e-prints, page arxiv:2112.12463, december 2021 年12月。 0.59
[3] Teruaki Hayashi, Takumi Shimizu, and Yoshiaki Fukami. ※林輝明・清水内匠・深見義昭 0.20
Collaborative Problem Solving on a aにおける協調問題解決 0.74
Data Platform Kaggle. Data Platform Kaggle の略。 0.62
arXiv e-prints, page arXiv:2107.11929, July 2021. arXiv e-prints, page arXiv:2107.11929, July 2021 0.38
[4] Heidy Hazem, Ahmed Awad, and Ahmed Hassan. 4]ハイディ・ハゼム、アフメド・アワド、アフメド・ハッサン 0.42
A Distributed Real-Time Recommender System 分散リアルタイム推薦システム 0.63
for Big Data Streams. ビッグデータストリームのためです。 0.70
arXiv e-prints, page arXiv:2204.04633, April 2022. arxiv e-prints, page arxiv:2204.04633, april 2022. (英語) 0.41
[5] Claudia M. Van Der Heijde and Beatrice I. J. M. Van Der Heijden. 5] claudia m. van der heijdeとbeatrice i. j. m. van der heijden 0.37
A competence-based and multidimensional operationalization and measurement of employability. 能力に基づく多次元運用と雇用可能性の測定 0.81
Human Resource Management, 45(3):449–476, 2006. 人的資源管理45(3):449–476, 2006 0.82
[6] Jun Hu, Shengsheng Qian, Quan Fang, and Changsheng Xu. 6]ジュン・フ、シェンシェン・キアン、クーン・ファン、チャン・シェン・xu。 0.49
MGDCF: Distance Learning via Markov Graph Diffusion for Neural Collaborative Filtering. MGDCF: ニューラルコラボレーティブフィルタのためのマルコフグラフ拡散による遠隔学習。 0.79
arXiv e-prints, page arXiv:2204.02338, April 2022. arXiv e-prints, page arXiv:2204.02338, April 2022 0.38
[7] Philipp Kappus and Paul Groß. フィリップ・カプスとポール・グロース。 0.48
Finding clusters of similar-minded people on twitter regarding the covid-19 pandemic. 新型コロナウイルス(covid-19)のパンデミックについて、twitterで同様の考えを持つ人々の集まりを見つける。 0.29
In Machine Learning Techniques and Data Science. 専門は機械学習とデータサイエンス。 0.59
Academy and Industry Research Collaboration Center (AIRCC), nov 2021. 産学連携センター(aircc: academy and industry research collaboration center) 2021年11月。 0.68
[8] Ali A. Mahmoud, Tahani AL Shawabkeh, Walid A. Salameh, and Ibrahim Al Amro. [8]Ali A. Mahmoud, Tahani AL Shawabkeh, Walid A. Salameh, Ibrahim Al Amro。 0.42
Performance predicting in hiring process and performance appraisals using machine learning. 機械学習を用いた採用プロセスとパフォーマンス評価におけるパフォーマンス予測 0.83
In 2019 10th International Conference on Information and Communication Systems (ICICS), pages 110–115, 2019. 2019年の第10回国際情報通信システム会議(ICICS)、110-115頁。 0.76
[9] Anay Mehrotra, Bary S. R. Pradelski, and Nisheeth K. Vishnoi. 9]Anay Mehrotra,Bary S. R. Pradelski,Nisheeth K. Vishnoi 0.35
Selection in the Presence of Implicit Bias: The Advantage of Intersectional Constraints. インプシットバイアスの有無の選択:インターセクション制約の利点 0.62
arXiv e-prints, page arXiv:2202.01661, February 2022. arXiv e-prints, page arXiv:2202.01661, February 2022 0.38
[10] Hauff C. Nagaram A.R. Using Github Profiles in Software Developer Recruitment and Hiring. [10]Huff C. Nagaram A.R. Githubプロファイルをソフトウェア開発者検索と採用に使用。 0.80
TUDelft, August 2021. TUDelft、2021年8月。 0.66
[11] Andi Peng, Besmira Nushi, Emre Kiciman, Kori Inkpen, and Ece Kamar. 【11】安井ペン、ベスミラ・ヌシ、エメラ・キチマン、コリ・インクペン、エケ・カマール 0.56
Investigations of Performance and Bias in Human-AI Teamwork in Hiring. 雇用における人間-AIチームワークのパフォーマンスとバイアスに関する研究 0.68
arXiv e-prints, page arXiv:2202.11812, February 2022. arxiv e-prints, page arxiv:2202.11812, february 2022. (英語) 0.39
[12] Le Van-Duyet, Vo Minh Quan, and Dang Quang An. 12]Le Van-Duyet, Vo Minh Quan, Dang Quang An 0.30
Skill2vec: Machine Learning Approach for Determining the Relevant Skills from Job Description. Skill2vec: ジョブ記述から関連するスキルを決定するための機械学習アプローチ 0.83
arXiv e-prints, page arXiv:1707.09751, July 2017. arXiv e-prints, page arXiv:1707.09751, July 2017 0.37
10 10 0.42

翻訳にはFugu-Machine Translatorを利用しています。