Fugu-MT 論文翻訳(概要): Towards the global vision of engagement of Generation Z at the workplace: Mathematical modeling

論文の概要: Towards the global vision of engagement of Generation Z at the workplace: Mathematical modeling

arxiv url: http://arxiv.org/abs/2112.15401v1
Date: Fri, 31 Dec 2021 12:04:44 GMT
ステータス: 処理完了
システム内更新日: 2022-01-03 15:49:20.174903
Title: Towards the global vision of engagement of Generation Z at the workplace: Mathematical modeling
Title（参考訳）: 職場におけるz世代参加のグローバルビジョンに向けて--数学的モデリング
Authors: Rados{\l}aw A. Kycia, Agnieszka Niemczynowicz, Joanna Nie\.zurawska-Zaj\k{a}c
Abstract要約: 職場におけるジェネレーションZエンゲージメント調査における相関とクラスタ分析を行った。クラスタリングは、従業員のエンゲージメントを表すさまざまな要因間の関係を示す。本論文は,ジェネレーションZ従業員を対象としたモチベーション向上システムの構築に有効である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Correlation and cluster analyses (k-Means, Gaussian Mixture Models) were performed on Generation Z engagement surveys at the workplace. The clustering indicates relations between various factors that describe the engagement of employees. The most noticeable factors are a clear statement about the responsibilities at work, and challenging work. These factors are essential in practice. The results of this paper can be used in preparing better motivational systems aimed at Generation Z employees.
Abstract（参考訳）: 職場におけるジェネレーションZエンゲージメント調査における相関とクラスタ分析(K平均,ガウス混合モデル)を行った。クラスタリングは、従業員のエンゲージメントを表すさまざまな要因間の関係を示す。最も顕著な要因は、仕事における責任と課題に関する明確な声明である。これらの要因は実践上不可欠である。本論文は,ジェネレーションZ従業員を対象としたモチベーション向上システムの構築に有効である。

関連論文リスト

From Pre-training Corpora to Large Language Models: What Factors Influence LLM Performance in Causal Discovery Tasks? [51.42906577386907]
本研究では,因果発見タスクにおけるLarge Language Models(LLM)の性能に影響を与える要因について検討する。因果関係の頻度が高いことは、より良いモデル性能と相関し、トレーニング中に因果関係の情報に広範囲に暴露することで、因果関係の発見能力を高めることを示唆している。
論文参考訳（メタデータ） (2024-07-29T01:45:05Z)
Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。課題群規則化(Task Groupings Regularization)は、矛盾するタスクをグループ化し整合させることにより、モデルの不均一性から恩恵を受ける新しいアプローチである。
論文参考訳（メタデータ） (2024-05-26T13:11:55Z)
Hacking Task Confounder in Meta-Learning [18.179340061914708]
本稿では,メタ学習コーサル表現(MetaCRL)を提案する。我々の研究は、ベンチマークデータセット上での最先端(SOTA)性能を達成する。
論文参考訳（メタデータ） (2023-12-10T05:33:40Z)
Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2023-08-24T16:06:36Z)
Causal Intervention for Abstractive Related Work Generation [16.7515135295061]
関連作業生成のためのCaM(Causal Intervention Module)を提案する。まず、因果グラフを用いて、関連作業生成における文順、文書関係、遷移内容の関係をモデル化する。次に,通常の条件付き確率の導出とCaMによる因果効果の同定にdo-calculusを用いた。
論文参考訳（メタデータ） (2023-05-23T04:48:30Z)
Target-aware Abstractive Related Work Generation with Contrastive Learning [48.02845973891943]
関連作業部は学術論文の重要な構成要素であり、参考論文の文脈における対象論文の貢献を強調している。既存の作業部生成手法の多くは、既成の文章を抽出することに依存している。本稿では,新たな文からなる関連作業区間を生成できる抽象的目標認識関連作業生成装置(TAG)を提案する。
論文参考訳（メタデータ） (2022-05-26T13:20:51Z)
Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文参考訳（メタデータ） (2021-07-10T03:49:41Z)
Generating Related Work [37.161925758727456]
論文引用の動機を否定しながら,関連する作業セクションの生成をモデル化する。我々のモデルは、いくつかの強力な最先端の要約モデルとマルチドキュメントの要約モデルより優れている。
論文参考訳（メタデータ） (2021-04-18T00:19:37Z)
Seating preference analysis for hybrid workplaces [7.446040265524479]
職場はよりハイブリッドになりつつある(例えば、労働者が伝統的なオフィススペースと自宅を含む他の場所で働くことを可能にする) 職場は設計、レイアウト、利用可能な設備が異なるため、多くの労働者はそれに応じて調整することが難しいと感じている。この負の作業経験を引き起こす重要な要因の1つは、利用可能な座席配置に直接関連している。
論文参考訳（メタデータ） (2020-07-31T02:17:20Z)
Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
論文参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。