論文の概要: Making Sense of Knowledge Intensive Processes: an Oil & Gas Industry Scenario

• arxiv url: http://arxiv.org/abs/2401.17866v1
• Date: Wed, 31 Jan 2024 14:25:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 14:30:20.606941
• Title: Making Sense of Knowledge Intensive Processes: an Oil & Gas Industry Scenario
• Title（参考訳）: 知識の集中的なプロセスを理解する:石油・ガス産業のシナリオ
• Authors: Juliana Jansen Ferreira, Vin\'icius Segura, Ana Fucs, Rog\'erio de Paula
• Abstract要約: センスメイキング(英: Sensemaking)は、人々が経験に意味を関連付ける、絶え間なく進行中のプロセスである。 知識集約的なプロセスでは、センスメイキングは中心的であり、ほとんどのタスクと関連している。 本稿では,感覚形成過程の結果を構成するために組み合わせることができる知識型の初期セットについて述べる。
• 参考スコア（独自算出の注目度）: 2.145761568085819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensemaking is a constant and ongoing process by which people associate meaning to experiences. It can be an individual process, known as abduction, or a group process by which people give meaning to collective experiences. The sensemaking of a group is influenced by the abduction process of each person about the experience. Every collaborative process needs some level of sensemaking to show results. For a knowledge intensive process, sensemaking is central and related to most of its tasks. We present findings from a fieldwork executed in knowledge intensive process from the Oil and Gas industry. Our findings indicated that different types of knowledge can be combined to compose the result of a sensemaking process (e.g. decision, the need for more discussion, etc.). This paper presents an initial set of knowledge types that can be combined to compose the result of the sensemaking of a collaborative decision making process. We also discuss ideas for using systems powered by Artificial Intelligence to support sensemaking processes.
• Abstract（参考訳）: センスメイキングは、人々が経験と意味を関連付ける、絶え間なく進行中のプロセスです。 これは、アブダクションとして知られる個々のプロセスや、人々が集団的な経験に意味を与えるグループプロセスにもなり得る。 集団の感覚形成は、経験について各人の誘拐プロセスに影響される。 すべてのコラボレーションプロセスは、結果を示すのにある程度のセンスメイキングが必要です。 知識集約的なプロセスでは、センスメイキングは中心的であり、ほとんどのタスクと関連している。 石油・ガス産業の知識集約プロセスで実施したフィールドワークの成果を報告する。 以上の結果から, 異なる知識を組み合わせることで, 感覚形成過程の結果(意思決定, さらなる議論の必要性など)を構成することができることが示唆された。 本稿では,協調的な意思決定プロセスの感覚形成の結果を構成するために組み合わせることのできる,知識タイプの初期セットを提案する。 また,人工知能を利用した感覚形成支援システムについても論じる。

関連論文リスト

• SemEval-2024 Task 3: Multimodal Emotion Cause Analysis in Conversations [53.60993109543582]
  SemEval-2024 Task 3 "Multimodal Emotion Cause Analysis in Conversations" は、会話からすべての感情とそれに対応する原因を抽出することを目的としている。 異なるモダリティ設定の下では、2つのサブタスクから構成される: 会話におけるテキスト感情因果ペア抽出(TECPE)と会話におけるマルチモーダル感情因果ペア抽出(MECPE)である。 本稿では,タスク,データセット,評価設定について紹介し,トップチームのシステムを要約し,参加者の知見について議論する。
  論文  参考訳（メタデータ） (2024-05-19T09:59:00Z)
• Scalable Concept Extraction in Industry 4.0 [4.9122195223758895]
  本稿では,概念抽出法(CE)の産業シナリオへの適用に取り組む。 畳み込みニューラルネットワーク(CNN)用に設計されたラッパー関数を利用して,概念の重要度を計算する新しい手法を提案する。 我々は,CEが産業的文脈におけるCNNの理解に応用できることを示し,ドメイン知識に関連する有用な洞察を提供する。
  論文  参考訳（メタデータ） (2023-06-06T09:57:04Z)
• CIKQA: Learning Commonsense Inference with a Unified Knowledge-in-the-loop QA Paradigm [120.98789964518562]
  我々は,コモンセンス知識の大規模化により,すべてのコモンセンスをカバーできるような,各タスクに十分なトレーニングセットをアノテートすることは不可能である,と論じる。 モデルのコモンセンス推論能力について,2つの観点から検討する。 我々は、このベンチマークを知識-イン-ループ質問回答(CIKQA)を用いたCommonsense Inferenceと命名した。
  論文  参考訳（メタデータ） (2022-10-12T14:32:39Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• A System for Image Understanding using Sensemaking and Narrative [0.0]
  我々は、人々が世界を理解する方法に関して、センスメイキングと物語の理論について議論する。 視覚的ストーリーテリングという特定の計算課題に注目し、そのソリューションは、センスメイキングと物語の要素を利用することで強化することができる。
  論文  参考訳（メタデータ） (2022-01-21T20:52:02Z)
• Knowledge-Grounded Dialogue Generation with a Unified Knowledge Representation [78.85622982191522]
  既存のシステムは、トレーニングデータでカバーされる限られたトピックのために、目に見えないトピックでうまく機能しない。 本稿では,異なる知識源を均質化した言語モデルであるPLUGについて述べる。 完全に教師された設定の下で最先端のメソッドと同等のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-12-15T07:11:02Z)
• Multi-Task Learning and Adapted Knowledge Models for Emotion-Cause Extraction [18.68808042388714]
  感情認識と感情原因検出の両方に共同で取り組むソリューションを提案する。 暗黙的に表現された感情を理解する上で,常識的知識が重要な役割を担っていることを考慮し,新しい手法を提案する。 共通センス推論とマルチタスクフレームワークを含む場合,両タスクのパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-06-17T20:11:04Z)
• You Only Learn One Representation: Unified Network for Multiple Tasks [11.415473610780476]
  暗黙の知識と明示的な知識を一緒にエンコードする統一ネットワークを提案する。 その結果、暗黙の知識がニューラルネットワークに導入されると、すべてのタスクのパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2021-05-10T09:03:11Z)
• HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
  人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
  論文  参考訳（メタデータ） (2021-02-22T20:37:01Z)
• Improving Machine Reading Comprehension with Contextualized Commonsense Knowledge [62.46091695615262]
  我々は、機械読解の理解を改善するために、常識知識を抽出することを目指している。 構造化知識を文脈内に配置することで,関係を暗黙的に表現することを提案する。 我々は,教師の学習パラダイムを用いて,複数種類の文脈的知識を学生機械読取機に注入する。
  論文  参考訳（メタデータ） (2020-09-12T17:20:01Z)

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。