論文の概要: The Young and the Old, the Fast and the Slow: A Large-Scale Study of Productivity Classes and Rank Advancement

• arxiv url: http://arxiv.org/abs/2211.06319v2
• Date: Fri, 3 Nov 2023 10:06:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 18:30:05.044290
• Title: The Young and the Old, the Fast and the Slow: A Large-Scale Study of Productivity Classes and Rank Advancement
• Title（参考訳）: 若者, 年長者, 速い人, 遅い人: 生産性クラスとランクの進歩に関する大規模研究
• 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

• Productivity profile of CNPq scholarship researchers in computer science from 2017 to 2021 [1.1203075575217452]
  研究における生産性 (Productivity in Research, PQ) は、CNPq (Brazilian National Council for Scientific and Technological Development) によって与えられる奨学金である。 この奨学金は、いくつかの選ばれた学部の研究者が、それぞれの分野における科学的生産、卓越した技術、革新について認識することを目的としている。
  論文  参考訳（メタデータ） (2024-07-19T22:36:52Z)
• A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
  大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。 我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-16T08:03:24Z)
• SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
  SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。 SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-10T21:22:08Z)
• Interesting Scientific Idea Generation Using Knowledge Graphs and LLMs: Evaluations with 100 Research Group Leaders [0.6906005491572401]
  我々は,5800万件の研究論文と大規模言語モデルを用いて研究アイデアを生成するSciMuseを紹介した。 我々は、100以上の研究グループのリーダーが興味に基づいて4,400以上のパーソナライズされたアイデアをランク付けする大規模な評価を行う。 このデータにより,(1)人間の評価に基づいて訓練された教師付きニューラルネットワーク,(2)大規模言語モデルを用いた教師なしゼロショットランキングを用いて,研究の関心を予測できる。
  論文  参考訳（メタデータ） (2024-05-27T11:00:51Z)
• Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
  2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。 計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
  論文  参考訳（メタデータ） (2024-04-01T17:45:15Z)
• 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)
• 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)
• 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)

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。