論文の概要: Computer-assisted construct classification of organizational performance concerning different stakeholder groups

• arxiv url: http://arxiv.org/abs/2107.05133v1
• Date: Sun, 11 Jul 2021 21:39:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 16:03:58.131396
• Title: Computer-assisted construct classification of organizational performance concerning different stakeholder groups
• Title（参考訳）: 異なる利害関係者グループに関する組織パフォーマンスのコンピュータ支援構成分類
• Authors: Seethalakshmi Gopalakrishnan, Victor Chen, Gus Hahn-Powell, Bharadwaj Tirunagar
• Abstract要約: 我々は,研究論文の構成要素(概念と用語)を3段階の分類に分類する。 周辺文や外部参照から抽出した特徴による文脈情報の増加は、非凝集性ラベルの分類を改善することが観察された。
• 参考スコア（独自算出の注目度）: 3.4587725785208785
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The number of research articles in business and management has dramatically increased along with terminology, constructs, and measures. Proper classification of organizational performance constructs from research articles plays an important role in categorizing the literature and understanding to whom its research implications may be relevant. In this work, we classify constructs (i.e., concepts and terminology used to capture different aspects of organizational performance) in research articles into a three-level categorization: (a) performance and non-performance categories (Level 0); (b) for performance constructs, stakeholder group-level of performance concerning investors, customers, employees, and the society (community and natural environment) (Level 1); and (c) for each stakeholder group-level, subcategories of different ways of measurement (Level 2). We observed that increasing contextual information with features extracted from surrounding sentences and external references improves classification of disaggregate-level labels, given limited training data. Our research has implications for computer-assisted construct identification and classification - an essential step for research synthesis.
• Abstract（参考訳）: ビジネスやマネジメントにおける研究記事の数は、用語、構成、尺度とともに劇的に増加している。 研究論文からの組織的業績構成の適切な分類は、その研究が関係するかもしれない文献と理解を分類する上で重要な役割を担っている。 In this work, we classify constructs (i.e., concepts and terminology used to capture different aspects of organizational performance) in research articles into a three-level categorization: (a) performance and non-performance categories (Level 0); (b) for performance constructs, stakeholder group-level of performance concerning investors, customers, employees, and the society (community and natural environment) (Level 1); and (c) for each stakeholder group-level, subcategories of different ways of measurement (Level 2). 本研究は,周辺文や外部参照から抽出した特徴を用いた文脈情報の増加が,訓練データに制限がある場合,分解レベルラベルの分類を改善することを見出した。 本研究は, コンピュータ支援による構造同定と分類, 研究合成における重要なステップである。

関連論文リスト

• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• A Comprehensive Survey of Text Classification Techniques and Their Research Applications: Observational and Experimental Insights [2.1436706159840013]
  本研究では,研究分野に基づくテキスト分類に特化して設計された包括的分類法を提案する。 分類学は、研究分野ベースのカテゴリ、研究分野ベースのサブカテゴリ、方法論ベースの技術、方法論のサブテクニック、研究分野の応用という階層的なレベルに分けられる。
  論文  参考訳（メタデータ） (2024-01-11T08:17:42Z)
• Incremental hierarchical text clustering methods: a review [49.32130498861987]
  本研究の目的は,階層的および漸進的クラスタリング技術の解析である。 本研究の主な貢献は、文書クラスタリングのテキスト化を目的とした、2010年から2018年にかけて出版された研究で使用されるテクニックの組織化と比較である。
  論文  参考訳（メタデータ） (2023-12-12T22:27:29Z)
• Deep Learning-based Sentiment Classification: A Comparative Survey [0.0]
  本稿では,データ作成に基づく因子,特徴表現に基づく因子,分類に基づく因子の3つのカテゴリに対処する。 この論文は、100以上のDeep LearningベースのSCアプローチのパフォーマンスを比較した総合的な文献ベースの調査である。 本比較では,提案する因子が研究用DLベースのSC手法の性能にどのように影響するかを説明する。
  論文  参考訳（メタデータ） (2023-12-12T15:57:44Z)
• Performance Improvement in Multi-class Classification via Automated Hierarchy Generation and Exploitation through Extended LCPN Schemes [0.0]
  本研究では,階層分類(HC)の性能を包括的解析により検討する。 2つの新しい階層化手法 LCPN+ と LCPN+F が導入された。 その結果、LCPN+Fは様々なデータセットやシナリオにまたがる他のスキームよりも優れており、一貫性のある優位性を示している。
  論文  参考訳（メタデータ） (2023-10-31T17:11:29Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• Group Collaborative Learning for Co-Salient Object Detection [152.67721740487937]
  協調物体をリアルタイムで検出できる新しいグループ協調学習フレームワーク(GCoNet)を提案する(16ms)。 CoCA、CoSOD3k、Cosal2015の3つの挑戦的なベンチマークに関する大規模な実験は、我々の単純なGCoNetが10の最先端モデルより優れ、新しい最先端モデルを達成することを実証している。
  論文  参考訳（メタデータ） (2021-03-15T13:16:03Z)
• Through the Data Management Lens: Experimental Analysis and Evaluation of Fair Classification [75.49600684537117]
  データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。 我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。 我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
  論文  参考訳（メタデータ） (2021-01-18T22:55:40Z)
• Generating Categories for Sets of Entities [34.32017697099142]
  カテゴリーシステムは知識ベースの中心的な構成要素であり、意味論的に関連する概念と実体の階層的なグループ化を提供する。 本稿では,ニューラルネットワークの抽象的要約モデルを用いて,エンティティの集合のカテゴリを生成する手法を提案する。 ウィキペディアのカテゴリに基づいたテストコレクションを開発し,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-19T13:31:07Z)

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。