論文の概要: The Young and the Old, the Fast and the Slow: Age, Productivity, and
Rank Advancement of 16,000 STEMM University Professors
- arxiv url: http://arxiv.org/abs/2211.06319v1
- Date: Thu, 3 Nov 2022 11:40:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 12:24:06.706891
- Title: The Young and the Old, the Fast and the Slow: Age, Productivity, and
Rank Advancement of 16,000 STEMM University Professors
- Title(参考訳): 若年者, 若年者, 速さ, 速度: 16,000STEMM大学教授の年齢, 生産性, ランクアップ
- Authors: Marek Kwiek and Wojciech Roszka
- Abstract要約: 以前は無視されていた2つの時間次元(昇進年齢と昇進速度)を使用しました。
全ての科学者は異なる生産性、昇進年齢、昇進速度のクラスに割り当てられた。
過去には、若い昇進年齢階級(と速い昇進速度階級)の科学者が最も生産的だった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We examined a large population of Polish science, technology, engineering,
mathematics and medicine (STEMM) scientists (N = 16,083) to study rank
advancement and productivity. We used two previously neglected time dimensions
- promotion age and promotion speed - to construct individual biographical
profiles and publication profiles. We used a classificatory approach and the
new methodological approach of journal prestige-normalized productivity. All
scientists were allocated to different productivity, promotion age, and
promotion speed classes (top 20%, middle 60%, and bottom 20%). The patterns
were consistent across all disciplines: scientists in young promotion age
classes (and fast promotion speed classes) in the past were currently the most
productive. In contrast, scientists in old promotion age classes (and slow
promotion speed classes) in the past were currently the least productive. In
the three largest disciplines, the young-old promotion age productivity
differential for associate professors was 100-200% (150-200% for full
professors); and the fast-slow promotion speed productivity differential for
associate professors was 80-150% (100-170% for full professors). Our results
were confirmed by a regression analysis in which we found odds ratio estimates
of membership in top productivity classes. We combined data collected from the
national register of all Polish scientists and scholars (N = 99,935) and
publication metadata on all Polish articles indexed in Scopus (N = 935,167).
- Abstract(参考訳): ポーランド科学, 技術, 工学, 数学, 医学 (stemm) の科学者 (n = 16,083) を多数調査し, ランク向上と生産性について検討した。
これまで無視されていた2つの時間次元 - 昇進年齢と昇進速度 - を用いて、個々の伝記プロファイルと出版プロファイルを構築した。
我々は、分類的アプローチと、ジャーナルの正規化生産性の新しい方法論的アプローチを用いた。
全ての科学者は、異なる生産性、昇進年齢、昇進速度クラス(上位20%、中級60%、下位20%)に割り当てられた。
このパターンはあらゆる分野において一貫しており、若い昇進年齢階級(と速い昇進速度階級)の科学者は、現在最も生産的だった。
対照的に、過去の昇進年齢階級の科学者(および昇進速度の遅いクラス)は、現在最も生産性が低かった。
3大分野において,助教授の昇進年齢の生産性差は100~200% (全教授150~200%) であり,助教授の昇進速度差は80~150% (全教授100~70%) であった。
回帰分析の結果,トップ生産性クラスにおけるメンバーシップのオッズ比の推定値が得られた。
全ポーランド人の科学者と学者の国家登録財(n = 99,935)から収集したデータと、スコプスで索引づけされたすべてのポーランド語の論文のメタデータを組み合わせる(n = 935,167)。
関連論文リスト
- NLLG Quarterly arXiv Report 09/23: What are the most influential current
AI Papers? [21.68589129842815]
米国はトップ40紙とトップ9k紙の両方で支配的であり、その後中国が続いた。
欧州は明らかに遅れており、最も引用された論文のトップ40にはほとんど掲載されていない。
米国の産業は、最も影響力のある40の論文で大半が誇張されている。
論文 参考訳(メタデータ) (2023-12-09T21:42:20Z) - Defining a New NLP Playground [85.41973504055588]
最近の大規模言語モデルの性能の爆発により、自然言語処理の分野は80年の歴史の中で他のどの変化よりも突然かつ地震的に変化した。
本稿では、理論解析、新しい課題、学習パラダイム、学際的応用など、20以上の博士論文にふさわしい研究方向性を提案する。
論文 参考訳(メタデータ) (2023-10-31T17:02:33Z) - Reinforcement Learning-assisted Evolutionary Algorithm: A Survey and
Research Opportunities [63.258517066104446]
進化的アルゴリズムの構成要素として統合された強化学習は,近年,優れた性能を示している。
本稿では,RL-EA 統合手法,RL-EA が採用する RL-EA 支援戦略,および既存文献による適用について論じる。
RL-EAセクションの適用例では、RL-EAのいくつかのベンチマークおよび様々な公開データセットにおける優れた性能を示す。
論文 参考訳(メタデータ) (2023-08-25T15:06:05Z) - NLLG Quarterly arXiv Report 06/23: What are the most influential current
AI Papers? [15.830129136642755]
目的は、最も関連性があり広く議論されている研究のクイックガイドを提供することであり、新参者や確立された研究者が現在の傾向を振り返り続けるのを助けることである。
我々は2023年前半に,大規模言語モデル(LLM),特にChatGPTに関連する論文の優位性を観察した。
NLP関連の論文は、私たちのデータにはML関連の論文の2倍の数の論文があるにもかかわらず、最も影響力がある(トップ論文の約60%)。
論文 参考訳(メタデータ) (2023-07-31T11:53:52Z) - Multimodal Prompt Learning for Product Title Generation with Extremely
Limited Labels [66.54691023795097]
本稿では,ラベルが限定された新商品のタイトルを生成するためのプロンプトベースアプローチ,すなわちマルチモーダル・プロンプト学習フレームワークを提案する。
我々は、新しい製品の対応する特性と書体を維持するために、異なるモダリティから多モーダルなプロンプトのセットを構築する。
トレーニング用ラベル付きデータの完全化により,本手法は最先端の結果が得られる。
論文 参考訳(メタデータ) (2023-07-05T00:40:40Z) - Artificial intelligence adoption in the physical sciences, natural
sciences, life sciences, social sciences and the arts and humanities: A
bibliometric analysis of research publications from 1960-2021 [73.06361680847708]
1960年には333の研究分野の14%がAIに関連していたが、1972年には全研究分野の半分以上、1986年には80%以上、現在では98%以上まで増加した。
1960年には、333の研究分野の14%がAI(コンピュータ科学の多くの分野)に関連していたが、1972年までに全研究分野の半分以上、1986年には80%以上、現在では98%以上まで増加した。
我々は、現在の急上昇の状況が異なっており、学際的AI応用が持続する可能性が高いと結論付けている。
論文 参考訳(メタデータ) (2023-06-15T14:08:07Z) - Follow Us and Become Famous! Insights and Guidelines From Instagram
Engagement Mechanisms [34.56524908056281]
ポストの人気を予測するための様々な方法が提案されている。
これらの手法は、2021年に重要になったコメントの数を無視して、このような予測に重点を置いている。
より優れたアプローチは、人やIGの好みに基づいた投稿を生成することだ。
我々は、34Kのグローバルインフルエンサーが作成した1000万のポストのグローバルデータセットを使用して、広範な実験を行う。
論文 参考訳(メタデータ) (2023-01-17T11:26:34Z) - Molecule Generation for Drug Design: a Graph Learning Perspective [49.8071944694075]
機械学習、特にグラフ学習は、さまざまな分野にまたがるトランスフォーメーションの影響で認知度が高まっている。
そのような有望な応用の1つは分子設計と発見の領域、特に製薬業界における。
本調査では,分子設計における最先端手法,特に深度グラフ学習技術を取り入れたEmphde novo薬物設計について概観する。
論文 参考訳(メタデータ) (2022-02-18T14:26:23Z) - Flat Teams Drive Scientific Innovation [43.65818554474622]
個人の活動が、研究の方向性とプレゼンテーションを通じて、リーダーシップの幅広い役割にどのように結びついているかを示す。
科学チームの隠された階層は、そのリード(またはL)比がチーム規模全体に対してリーダーシップの役割を担っているのが特徴です。
フラットで平等なチームと対照的に、背が高く階層的なチームは、より斬新さを減らし、より多く既存のアイデアを発達させます。
論文 参考訳(メタデータ) (2022-01-18T04:07:49Z) - Early Indicators of Scientific Impact: Predicting Citations with
Altmetrics [0.0]
altmetricsを使って、学術的な出版物が得る短期的および長期的な引用を予測する。
我々は,様々な分類モデルと回帰モデルを構築し,それらの性能を評価し,それらのタスクに最適なニューラルネットワークとアンサンブルモデルを見つける。
論文 参考訳(メタデータ) (2020-12-25T16:25:07Z)
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。