論文の概要: (Deployed Application) Promoting Research Collaboration with Open Data
Driven Team Recommendation in Response to Call for Proposals
- arxiv url: http://arxiv.org/abs/2309.09404v1
- Date: Mon, 18 Sep 2023 00:04:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 15:43:25.600206
- Title: (Deployed Application) Promoting Research Collaboration with Open Data
Driven Team Recommendation in Response to Call for Proposals
- Title（参考訳）: (デプロイアプリケーション)提案の要求に応じて、オープンデータ駆動チーム推奨によるリサーチコラボレーションを促進する
- Authors: Siva Likitha Valluru, Biplav Srivastava, Sai Teja Paladi, Siwen Yan,
Sriraam Natarajan
- Abstract要約: さまざまなAI手法を用いてチームを推薦する新しいシステムについて述べる。
短期と長期の目標のバランスをとるメトリクスに沿って、良さを最大化するためにチームを作ります。
- 参考スコア（独自算出の注目度）: 10.732914229005903
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Building teams and promoting collaboration are two very common business
activities. An example of these are seen in the TeamingForFunding problem,
where research institutions and researchers are interested to identify
collaborative opportunities when applying to funding agencies in response to
latter's calls for proposals. We describe a novel system to recommend teams
using a variety of AI methods, such that (1) each team achieves the highest
possible skill coverage that is demanded by the opportunity, and (2) the
workload of distributing the opportunities is balanced amongst the candidate
members. We address these questions by extracting skills latent in open data of
proposal calls (demand) and researcher profiles (supply), normalizing them
using taxonomies, and creating efficient algorithms that match demand to
supply. We create teams to maximize goodness along a novel metric balancing
short- and long-term objectives. We validate the success of our algorithms (1)
quantitatively, by evaluating the recommended teams using a goodness score and
find that more informed methods lead to recommendations of smaller number of
teams but higher goodness, and (2) qualitatively, by conducting a large-scale
user study at a college-wide level, and demonstrate that users overall found
the tool very useful and relevant. Lastly, we evaluate our system in two
diverse settings in US and India (of researchers and proposal calls) to
establish generality of our approach, and deploy it at a major US university
for routine use.
- Abstract（参考訳）: チームの構築とコラボレーションの促進は2つの非常に一般的なビジネス活動です。
例えばteamingforfunding問題では、研究機関や研究者が、後者の提案に応じて資金提供機関に申し込む際の協力的な機会を特定することに関心を持っている。
本稿では,(1)各チームが,その機会に要求される最高のスキルカバレッジを達成し,(2)その機会を分配する作業負荷が,候補メンバー間でバランスをとるような,さまざまなAI手法を用いてチームを推薦するシステムについて述べる。
我々は,提案コール(需要)と研究者プロファイル(供給)のオープンデータに潜んでいるスキルを抽出し,分類法を用いてそれらを正規化し,供給需要にマッチする効率的なアルゴリズムを作成することで,これらの疑問に対処した。
短期と長期の目標のバランスをとる新しいメトリクスに沿って、良さを最大化するチームを作ります。
我々は,(1) アルゴリズムの成功を定量的に検証し,(1) 優れたスコアを用いて推奨チームを評価し,より情報のある手法がより少ない人数のチームの推薦につながること,(2) 大学レベルの大規模ユーザスタディを実施することによって質的に,そのツールが極めて有用かつ関連性の高いものであることを示す。
最後に,我々のアプローチの汎用性を確立するために,米国とインド(研究者と提案コール)の2つの異なる環境でシステムを評価し,日常的な使用のために米国の主要大学に展開する。
関連論文リスト
- Advanced Academic Team Worker Recommendation Models [0.1864807003137943]
我々は,学術チーム労働者推薦という新たな課題を提案する。
学術チーム(助教授、助教授、学生)を推薦できる。
実験の結果,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-02-07T22:37:18Z) - The Shifted and The Overlooked: A Task-oriented Investigation of
User-GPT Interactions [114.67699010359637]
実際のユーザクエリの大規模なコレクションをGPTに解析する。
ユーザインタラクションでは'設計'や'計画'といったタスクが一般的だが,従来のNLPベンチマークとは大きく異なる。
論文 参考訳（メタデータ） (2023-10-19T02:12:17Z) - Benchmarking Robustness and Generalization in Multi-Agent Systems: A
Case Study on Neural MMO [50.58083807719749]
IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。
この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。
環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
論文 参考訳（メタデータ） (2023-08-30T07:16:11Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳（メタデータ） (2023-04-08T14:32:12Z) - Assisting Human Decisions in Document Matching [52.79491990823573]
我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。
ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。
一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
論文 参考訳（メタデータ） (2023-02-16T17:45:20Z) - Artificial Intelligence for Scientific Research: Authentic Research Education Framework [6.772344064510275]
我々は,補完的な技術を持つ学生チームが,自然科学研究者のために有用な人工知能(AI)ソリューションを開発するプログラムを実装した。
当社のアプローチは、特定のニーズに対して機械学習の有用性を評価する機会を得る科学者に直接利益をもたらす。
論文 参考訳（メタデータ） (2022-09-19T16:50:05Z) - ULTRA: A Data-driven Approach for Recommending Team Formation in
Response to Proposal Calls [5.75290474288665]
我々は、資金提供機関からの提案に回答する研究者のチーム形成を支援する、AIベースの新しいアプローチとプロトタイプシステムを導入する。
これは、需要の機会が周期的に得られ、潜在的なメンバが時間とともに変化する場合、チームを構築するという一般的な問題の一例です。
論文 参考訳（メタデータ） (2022-01-13T02:48:42Z) - Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。
現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-06-18T16:23:13Z) - An Explanatory Query-Based Framework for Exploring Academic Expertise [10.887008988767061]
機関内の潜在的な協力者を見つけることは、偏見を伴う手動検索作業に時間を要する。
本研究では,研究専門知識の検索,評価,探索を行う新しいクエリベースのフレームワークを提案する。
提案手法は, 望ましい特性を満足し, 効率的であると同時に, 一致の同定に有効であることを示す。
論文 参考訳（メタデータ） (2021-05-28T10:48:08Z) - Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。
このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。
そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文 参考訳（メタデータ） (2020-09-01T16:52:51Z) - A Stochastic Team Formation Approach for Collaborative Mobile
Crowdsourcing [1.4209473797379666]
我々は,SN隣人に関する労働者の知識を活用するアルゴリズムを開発し,特定のリーダーに適切なチームを募集するよう依頼する。
提案アルゴリズムは最適な停止戦略から着想を得て,オッズアルゴリズムを用いて出力を算出する。
実験結果から, ベンチマーク指数最適解と比較して, 提案手法は時間を短縮し, 妥当な性能が得られることがわかった。
論文 参考訳（メタデータ） (2020-04-28T22:44:37Z)
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。