論文の概要: Understanding the Advisor-advisee Relationship via Scholarly Data Analysis

• arxiv url: http://arxiv.org/abs/2008.08743v1
• Date: Thu, 20 Aug 2020 02:57:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 04:23:21.147987
• Title: Understanding the Advisor-advisee Relationship via Scholarly Data Analysis
• Title（参考訳）: 学術データ分析によるアドバイザー・アドバイザー関係の理解
• Authors: Jiaying Liu, Tao Tang, Xiangjie Kong, Amr Tolba, Zafer AL-Makhadmeh, Feng Xia
• Abstract要約: 高い学術レベルのアドバイザーによって指導される助言は、他のものよりも優れた学術的パフォーマンスを持つ。 高等教育レベルの高いアドバイザーが指導する助言者は、助言者のh-indexランキングを上げることができる。 本研究は、助言者の学術的特徴と助言者の業績との関係の理解を促進するための新たな洞察を提供する。
• 参考スコア（独自算出の注目度）: 32.63446608170046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advisor-advisee relationship is important in academic networks due to its universality and necessity. Despite the increasing desire to analyze the career of newcomers, however, the outcomes of different collaboration patterns between advisors and advisees remain unknown. The purpose of this paper is to find out the correlation between advisors' academic characteristics and advisees' academic performance in Computer Science. Employing both quantitative and qualitative analysis, we find that with the increase of advisors' academic age, advisees' performance experiences an initial growth, follows a sustaining stage, and finally ends up with a declining trend. We also discover the phenomenon that accomplished advisors can bring up skilled advisees. We explore the conclusion from two aspects: (1) Advisees mentored by advisors with high academic level have better academic performance than the rest; (2) Advisors with high academic level can raise their advisees' h-index ranking. This work provides new insights on promoting our understanding of the relationship between advisors' academic characteristics and advisees' performance, as well as on advisor choosing.
• Abstract（参考訳）: 学術ネットワークにおけるアドバイザーとアドバイザリティーの関係は、その普遍性と必要性から重要である。 しかし、新参者のキャリアを分析したいという欲求は高まっているものの、助言者と助言者の異なるコラボレーションパターンの結果はいまだに不明である。 本研究の目的は,コンピュータサイエンスにおける助言者の学術的特徴と助言者の学術的業績との相関関係を明らかにすることである。 量的・質的分析の両方を用いて, 指導者の学齢の増加とともに, 指導者の業績経験の初期成長, 継続する段階をたどり, 最終的に減少傾向に陥ることを見いだした。 有能なアドバイザーが熟練したアドバイスを得られる現象も発見します。 本研究は,(1)高学級のアドバイザーが指導するアドバイスは,他のものよりも優れたアカデミックパフォーマンスを持つ,(2)高学級のアドバイザーは助言者のh-indexランキングを高めることができる,という2つの側面から結論を導いた。 この研究は、アドバイザーの学術的特徴と助言者の業績との関係の理解を促進するとともに、アドバイザーの選択に関する新たな洞察を与えます。

関連論文リスト

• Opinion-Guided Reinforcement Learning [0.46040036610482665]
  本稿では,強化学習エージェントを意見を通じて指導する手法を提案する。 我々は、異なるレベルの不確実性において、人工的な(オークル)と人間のアドバイザーで評価する。 以上の結果から, たとえ不確実であっても, 強化学習エージェントの性能は向上することが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T15:52:27Z)
• Learning Analytics Dashboards for Advisors -- A Systematic Literature Review [0.0]
  Learning Analytics Dashboard for Advisorsは、データ駆動による洞察と視覚化を提供して、アドバイザの意思決定を支援するように設計されている。 本研究は,分析ダッシュボードの学習における技術の現状を考察し,アドバイザの要求に焦点をあてる。
  論文  参考訳（メタデータ） (2024-01-17T19:34:55Z)
• Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
  与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。 以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。 我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
  論文  参考訳（メタデータ） (2024-01-08T12:39:25Z)
• MADDM: Multi-Advisor Dynamic Binary Decision-Making by Maximizing the Utility [8.212621730577897]
  逐次二元決定設定において,助言者の集合を最適に選択するための新しい戦略を提案する。 我々は、根拠となる真実にアクセスできず、助言者の信頼性に関する事前の知識もないと仮定する。
  論文  参考訳（メタデータ） (2023-05-15T14:13:47Z)
• Ask-AC: An Initiative Advisor-in-the-Loop Actor-Critic Framework [41.04606578479283]
  本稿では,Ask-ACと呼ばれる新しいアドバイザリ・イン・ザ・ループアクター・クリティカル・フレームワークを提案する。 Ask-ACの中心には2つの補完的なコンポーネント、すなわちアクションリクエスタとアダプティブステートセレクタがある。 定常環境および非定常環境における実験結果から,提案手法はエージェントの学習効率を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2022-07-05T10:58:11Z)
• What Factors Should Paper-Reviewer Assignments Rely On? Community Perspectives on Issues and Ideals in Conference Peer-Review [20.8704278772718]
  NLPコミュニティの第1回調査の結果を報告する。 我々は,ペーパーリビューアマッチングシステムにおいて,どの要因を考慮すべきかという共通問題と視点を同定する。
  論文  参考訳（メタデータ） (2022-05-02T16:07:02Z)
• Doubting AI Predictions: Influence-Driven Second Opinion Recommendation [92.30805227803688]
  我々は,補完的な意見を提供する可能性のある専門家を識別する,共通の組織的実践に基づいて,人間とAIのコラボレーションを強化する方法を提案する。 提案手法は、一部の専門家がアルゴリズムによる評価に異を唱えるかどうかを特定することによって、生産的な不一致を活用することを目的としている。
  論文  参考訳（メタデータ） (2022-04-29T20:35:07Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
  KnowledgeCheckRに統合された推奨アプローチの概要を提供します。 その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
  論文  参考訳（メタデータ） (2021-02-15T20:06:28Z)
• Shifu2: A Network Representation Learning Based Model for Advisor-advisee Relationship Mining [82.75996880087747]
  本稿では,ネットワーク表現学習(NRL)に基づく新しいモデル,すなわちshifu2を提案する。 Shifu2は、コラボレーションネットワークを入力とし、特定アドバイザ・アドバイザー関係を出力とする。 そこで我々は,Shifu2を利用した大規模学術系譜データセットを作成した。
  論文  参考訳（メタデータ） (2020-08-17T05:40:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。