論文の概要: Optimization- and AI-based approaches to academic quality quantification
for transparent academic recruitment: part 1-model development
- arxiv url: http://arxiv.org/abs/2305.05460v1
- Date: Wed, 3 May 2023 13:17:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-14 20:56:23.201661
- Title: Optimization- and AI-based approaches to academic quality quantification
for transparent academic recruitment: part 1-model development
- Title（参考訳）: 透明な学術採用のための学術品質定量化のための最適化とai--その1-モデル開発
- Authors: Ercan atam
- Abstract要約: 意思決定支援ツールの構築に使用できる2つの計算フレームワークを開発する。
両モデルのアウトプットはAQI(Academic Quality Index)と呼ばれる単一の指標であり、学術的品質の指標である。
モデルパラメータをチューニングするための基準データとして,Times Higher Education World University Rankings と QS World University Rankings に基づく一級・平均級世界大学からの学者のデータが推定される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For fair academic recruitment at universities and research institutions,
determination of the right measure based on globally accepted academic quality
features is a highly delicate, challenging, but quite important problem to be
addressed. In a series of two papers, we consider the modeling part for
academic quality quantification in the first paper, in this paper, and the case
studies part in the second paper. For academic quality quantification modeling,
we develop two computational frameworks which can be used to construct a
decision-support tool: (i) an optimization-based framework and (ii) a Siamese
network (a type of artificial neural network)-based framework. The output of
both models is a single index called Academic Quality Index (AQI) which is a
measure of the overall academic quality. The data of academics from first-class
and average-class world universities, based on Times Higher Education World
University Rankings and QS World University Rankings, are assumed as the
reference data for tuning model parameters.
- Abstract（参考訳）: 大学や研究機関における公平な学術採用の場合、グローバルに受け入れられた学術的品質特性に基づく適切な尺度の決定は、非常に繊細で挑戦的だが、対処すべき非常に重要な問題である。
本稿では,第1論文,第2論文,第2論文,第2論文のケーススタディにおいて,学術的品質定量化のモデル化部分について考察する。
学術的品質定量化モデリングのために,意思決定支援ツールの構築に使用できる2つの計算フレームワークを開発した。
(i)最適化ベースのフレームワーク及び
(ii)シャムネットワーク(人工ニューラルネットワークの一種)ベースのフレームワーク。
両モデルのアウトプットはAQI(Academic Quality Index)と呼ばれる単一の指標であり、学術的品質の指標である。
モデルパラメータをチューニングするための基準データとして,Times Higher Education World University Rankings と QS World University Rankings に基づく一級・平均級世界大学からの学者のデータが推定される。
関連論文リスト
- Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。
Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。
コントリビューションの中心は、QGround-100Kデータセットの導入です。
論文 参考訳（メタデータ） (2024-07-24T06:42:46Z) - G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。
このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。
大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
論文 参考訳（メタデータ） (2024-04-29T00:54:38Z) - PCQA: A Strong Baseline for AIGC Quality Assessment Based on Prompt Condition [4.125007507808684]
本研究では,効果的なAIGC品質評価(QA)フレームワークを提案する。
まず,マルチソースCLIP(Contrastive Language- Image Pre-Training)テキストエンコーダを用いたハイブリッドプロンプト符号化手法を提案する。
第2に,適応したプロンプトと視覚機能を効果的にブレンドするアンサンブルベースの機能ミキサーモジュールを提案する。
論文 参考訳（メタデータ） (2024-04-20T07:05:45Z) - Model-Based Data-Centric AI: Bridging the Divide Between Academic Ideals
and Industrial Pragmatism [8.938344250520851]
Data-Centric AIはモデルパフォーマンスのための高品質なデータの優位性に重点を置いているのに対して、Model-Agnostic AIはアルゴリズムの柔軟性を優先している、と私たちは主張する。
この区別は、データ品質に関する学術的な基準が、産業応用の厳密な要求を満たしていないことをしばしば示している。
モデルに基づくデータ中心型AIは、モデル考慮事項をデータ最適化プロセスに統合することにより、これらの違いを整理することを目的としている。
論文 参考訳（メタデータ） (2024-03-04T08:29:15Z) - AcademicGPT: Empowering Academic Research [19.175478235030234]
アカデミックGPT(AcademicGPT)は、LLaMA2-70Bから派生した連続訓練モデルである。
学習コーパスは主に学術論文、論文、一部の学術ドメインからのコンテンツ、高品質な中国語データなどで構成されています。
また、AcademicGPTの基礎モデルに基づいて、一般学術質問回答、AI支援論文読解、論文レビュー、AI支援タイトル・抽象生成など、学術分野向けのいくつかのアプリケーションを開発した。
論文 参考訳（メタデータ） (2023-11-21T03:17:14Z) - Rethinking Word-Level Auto-Completion in Computer-Aided Translation [76.34184928621477]
Word-Level Auto-Completion (WLAC) はコンピュータ翻訳において重要な役割を果たす。
それは、人間の翻訳者に対して単語レベルの自動補完提案を提供することを目的としている。
我々は、この質問に答えるために測定可能な基準を導入し、既存のWLACモデルがこの基準を満たしていないことを発見する。
評価基準の遵守を促進することによってWLAC性能を向上させる効果的な手法を提案する。
論文 参考訳（メタデータ） (2023-10-23T03:11:46Z) - Evaluating the Generation Capabilities of Large Chinese Language Models [27.598864484231477]
本稿では,CG-Evalについて紹介する。
学術分野にまたがる大規模な中国語モデルの生成能力を評価する。
Gscoreは、参照標準に対するモデルのテキスト生成の品質測定を自動化する。
論文 参考訳（メタデータ） (2023-08-09T09:22:56Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳（メタデータ） (2022-11-07T16:19:42Z) - Image Quality Assessment in the Modern Age [53.19271326110551]
本チュートリアルは、画像品質評価(IQA)の基礎的理論、方法論、現状の進歩を聴衆に提供する。
まず,視覚刺激を適切に選択する方法に着目し,主観的品質評価手法を再考する。
手書きのエンジニアリングと(深い)学習ベースの手法の両方をカバーします。
論文 参考訳（メタデータ） (2021-10-19T02:38:46Z) - Improved Bilevel Model: Fast and Optimal Algorithm with Theoretical
Guarantee [110.16183719936629]
本稿では,現行の定式化よりも高速に収束する2レベルモデルを提案する。
実験結果から,本モデルが現行のバイレベルモデルよりも大きなマージンで優れていたことが示唆された。
論文 参考訳（メタデータ） (2020-09-01T20:52:57Z)
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。