論文の概要: Academic Lobification: Low-performance Control Strategy for Long-planed Academic Purpose

• arxiv url: http://arxiv.org/abs/2111.13590v1
• Date: Fri, 26 Nov 2021 16:35:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 19:43:18.384661
• Title: Academic Lobification: Low-performance Control Strategy for Long-planed Academic Purpose
• Title（参考訳）: アカデミックロビフィケーション:長期計画アカデミック目的のための低性能制御戦略
• Authors: Shudong Yang (1) ((1) Dalian University of Technology)
• Abstract要約: アカデミック・ロビフィケーション(Academic lobification)とは、アカデミック・パフォーマンス・コントロール・ストラテジー、方法、すなわち、学生が意図的に学術的行動を隠蔽したり、学術的パフォーマンスを意図的に低下させたり、ある長期的目的のために学術的リターンを意図的に遅らせるが、学術的リスクを生じさせないことを意味する。 研究対象、研究対象、研究範囲、研究方法など、この新たな学際研究分野の基礎となる一連の質問を概説し、学術ロビフィケーション研究の技術的、法的、その他の制約について考察する。
• 参考スコア（独自算出の注目度）: 11.4219428942199
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Academic lobification refers to a collection of academic performance control strategies, methods, and means that a student deliberately hides academic behaviors, or deliberately lowers academic performance, or deliberately delays academic returns for a certain long-term purpose, but does not produce academic risks. Understanding academic lobification is essential to our ability to compensate for inherent deviations in the evaluation of students' academic performance, discover gifted student, reap benefits and minimize harms. It outlines a set of questions that are fundamental to this emerging interdisciplinary research field, including research object, research question, research scope, research method, and explores the technical, legal and other constraints on the study of academic lobification.
• Abstract（参考訳）: アカデミック・ロビフィケーション(Academic lobification)とは、アカデミック・パフォーマンス・コントロール・ストラテジー、方法、すなわち、学生が意図的に学術的行動を隠蔽したり、学術的パフォーマンスを意図的に低下させたり、ある長期的目的のために学術的リターンを意図的に遅らせるが、学術的リスクを生じさせないことを意味する。 学生の学業成績評価における内在的偏差を補償し,才能ある学生を発見し,利益を享受し,損害を最小限に抑えるためには,学業のローブ化を理解することが不可欠である。 研究対象,研究対象,研究対象,研究対象,研究方法など,新たな学際研究分野の基本となる一連の質問を概説し,学術ロブ化研究における技術的,法的,その他の制約を探求する。

関連論文リスト

• A Large Language Model Supported Synthesis of Contemporary Academic Integrity Research Trends [0.0]
  本稿では,大規模言語モデル(LLM)であるChatGPTを用いた質的内容分析について報告する。 この分析は7つの研究テーマと13の重要領域を特定した。
  論文  参考訳（メタデータ） (2024-01-07T13:23:29Z)
• A Survey of Temporal Credit Assignment in Deep Reinforcement Learning [47.17998784925718]
  クレディ・アサインメント問題(Capital Assignment Problem, CAP)とは、強化学習(Reinforcement Learning, RL)エージェントが長期的な結果と行動を関連付けるための長年にわたる課題を指す。 我々は、最先端のアルゴリズムの公平な比較を可能にする信用の統一形式性を提案する。 我々は、遅延効果、転置、行動への影響の欠如に起因する課題について論じ、既存の手法がそれらにどう対処しようとしているのかを分析した。
  論文  参考訳（メタデータ） (2023-12-02T08:49:51Z)
• Causal Discovery and Counterfactual Explanations for Personalized Student Learning [0.0]
  この研究の主な貢献は、因果発見を用いて、学生のパフォーマンスの因果予測を識別することである。 実験結果から, 先行試験成績や数学能力が最終成績に及ぼす影響など, 因果関係が明らかとなった。 カウンターファクトリコメンデーションのリアルタイム実装と検証が大きな課題である。
  論文  参考訳（メタデータ） (2023-09-18T10:32:47Z)
• Covidia: COVID-19 Interdisciplinary Academic Knowledge Graph [99.28342534985146]
  新型コロナウイルスに関する既存の文献や知識プラットフォームは、生物学や医学に関する論文の収集にのみ焦点が当てられている。 我々は、異なるドメインにおけるCOVID-19の知識間のギャップを埋めるために、Covidia, COVID-19の学際的知識グラフを提案する。
  論文  参考訳（メタデータ） (2023-04-14T16:45:38Z)
• "That's important, but...": How Computer Science Researchers Anticipate Unintended Consequences of Their Research Innovations [12.947525301829835]
  意図しない結果を考えることは一般的に重要であるが、実践されることは滅多にない。 主要な障壁は、正式なプロセスと戦略の欠如と、迅速な進歩と出版を優先する学術的な実践である。 我々は,研究プロセスの前後において,技術革新の社会的意味を日常的に探究する道を開くことを目的としている。
  論文  参考訳（メタデータ） (2023-03-27T18:21:29Z)
• A survey and taxonomy of loss functions in machine learning [51.35995529962554]
  本稿では, 回帰, 分類, 生成モデル, ランキング, エネルギーベースモデリングなど, 主要なアプリケーションにまたがる最も広く使われている損失関数について概観する。 直感的な分類法で構築された43個の個別の損失関数を導入し,それらの理論的基礎,特性,最適な適用状況を明らかにした。
  論文  参考訳（メタデータ） (2023-01-13T14:38:24Z)
• Exploring the Confounding Factors of Academic Career Success: An Empirical Study with Deep Predictive Modeling [43.91066315776696]
  本稿では,実証的,予測的モデリングの観点から,学業成功の決定要因について検討する。 我々は、共著者ネットワークを分析し、潜在的な学者が、成長するにつれて、より早く、より密接に、影響力のある学者と密接に働くことを発見した。 フェローであることは、引用の改善や生産性の向上をもたらすことができませんでした。
  論文  参考訳（メタデータ） (2022-11-19T08:16:21Z)
• Dual Policy Distillation [58.43610940026261]
  教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。 本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。 この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
  論文  参考訳（メタデータ） (2020-06-07T06:49:47Z)
• Explore, Discover and Learn: Unsupervised Discovery of State-Covering Skills [155.11646755470582]
  情報理論的スキル発見の代替手法として,'Explore, Discover and Learn'(EDL)がある。 本稿では,EDLがカバレッジ問題を克服し,学習スキルの初期状態への依存を減らし,ユーザが学習すべき行動について事前定義できるようにするなど,大きなメリットがあることを示す。
  論文  参考訳（メタデータ） (2020-02-10T10:49:53Z)

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。