論文の概要: Collaborative Team Recognition: A Core Plus Extension Structure

• arxiv url: http://arxiv.org/abs/2406.06617v1
• Date: Fri, 7 Jun 2024 07:12:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 21:04:26.881306
• Title: Collaborative Team Recognition: A Core Plus Extension Structure
• Title（参考訳）: コラボレーションチーム認識: Core Plus拡張構造
• Authors: Shuo Yu, Fayez Alqahtani, Amr Tolba, Ivan Lee, Tao Jia, Feng Xia,
• Abstract要約: 本研究では,学術的なグラフデータを用いた共同チーム認識と内部パターンの探索に焦点をあてる。 大規模ネットワークにおける協調型チーム認識のための「コア+拡張型」チーム構造を用いた協調型チーム認識モデルを提案する。
• 参考スコア（独自算出の注目度）: 10.842779758836219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific collaboration is a significant behavior in knowledge creation and idea exchange. To tackle large and complex research questions, a trend of team formation has been observed in recent decades. In this study, we focus on recognizing collaborative teams and exploring inner patterns using scholarly big graph data. We propose a collaborative team recognition (CORE) model with a "core + extension" team structure to recognize collaborative teams in large academic networks. In CORE, we combine an effective evaluation index called the collaboration intensity index with a series of structural features to recognize collaborative teams in which members are in close collaboration relationships. Then, CORE is used to guide the core team members to their extension members. CORE can also serve as the foundation for team-based research. The simulation results indicate that CORE reveals inner patterns of scientific collaboration: senior scholars have broad collaborative relationships and fixed collaboration patterns, which are the underlying mechanisms of team assembly. The experimental results demonstrate that CORE is promising compared with state-of-the-art methods.
• Abstract（参考訳）: 科学的コラボレーションは、知識創造とアイデア交換において重要な行動である。 大規模で複雑な研究課題に取り組むために、ここ数十年でチーム形成の傾向が観察されている。 本研究では,学術的なグラフデータを用いて協調的なチーム認識と内部パターンの探索に焦点をあてる。 大規模ネットワークにおける協調チーム認識のための「コア+拡張」チーム構造を用いた協調チーム認識(CORE)モデルを提案する。 COREでは、コラボレーションインテンシティ指数と呼ばれる効果的な評価指標と一連の構造的特徴を組み合わせることで、メンバーが緊密なコラボレーション関係にある協力チームを認識する。 次に、COREはコアチームメンバーをその拡張メンバーに導くのに使われます。 COREはチームベースの研究の基盤としても機能する。 シミュレーションの結果から,COREは科学的コラボレーションの内在するパターンを明らかにすることが示唆された。 実験の結果,COREは最先端手法と比較して有望であることがわかった。

関連論文リスト

• Collaborative Cognitive Diagnosis with Disentangled Representation Learning for Learner Modeling [14.574222901039155]
  類似学習者間の協調的接続を活用することは、人間の学習を理解する上で価値がある。 本研究では,不整合表現学習を用いた協調的認知診断モデルであるCoralを提案する。
  論文  参考訳（メタデータ） (2024-11-04T13:13:25Z)
• Code Collaborate: Dissecting Team Dynamics in First-Semester Programming Students [3.0294711465150006]
  この研究は、第一期生が2Dゲームプロジェクトを開発するときに現れるコラボレーションのトレンドを強調している。 その結果、学生は自分の貢献をわずかに過大評価することが多く、より熱心な個人は間違いを認めやすいことが示唆された。 チームパフォーマンスは、国籍や性別構成に基づく大きな変化は示さないが、解散したチームは、しばしば孤独なオオカミで構成されていた。
  論文  参考訳（メタデータ） (2024-10-28T11:42:05Z)
• Beyond Isolation: Multi-Agent Synergy for Improving Knowledge Graph Construction [6.020016097668138]
  CooperKGCは、知識グラフ構築(KGC)における大規模言語モデル(LLM)の従来の孤立的アプローチに挑戦する新しいフレームワークである。 CooperKGCはコラボレーティブな処理ネットワークを確立し、エンティティ、リレーション、イベント抽出タスクを同時に処理できるチームを組み立てる。
  論文  参考訳（メタデータ） (2023-12-05T07:27:08Z)
• Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
  本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。 我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
  論文  参考訳（メタデータ） (2023-07-05T17:59:27Z)
• NCL++: Nested Collaborative Learning for Long-Tailed Visual Recognition [63.90327120065928]
  本研究では,Nested Collaborative Learning (NCL++)を提案する。 長期学習における協調学習を実現するために,バランスの取れたオンライン蒸留を提案する。 混乱するカテゴリにおける細かな識別能力を改善するために,さらにハードカテゴリーマイニングを提案する。
  論文  参考訳（メタデータ） (2023-06-29T06:10:40Z)
• Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
  本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。 このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。 我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2023-02-28T14:53:29Z)
• Towards Collaborative Question Answering: A Preliminary Study [63.91687114660126]
  我々は、モデレーターによって調整された複数の専門家エージェントが協力して、単一のエージェントだけでは答えられない質問に答える新しいQAタスクCollabQAを提案する。 専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。 専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-24T14:27:00Z)
• Team Power and Hierarchy: Understanding Team Success [11.09080707714613]
  本研究は,コンピュータ科学分野におけるチームパワーとチームの成功との関係を深く検討する。 4,106,995のCSチームを分析することで、フラットな構造を持つハイパワーチームが最高のパフォーマンスを持つことがわかりました。 逆に、階層構造を持つ低パワーチームは、チームのパフォーマンスのファシリテータです。
  論文  参考訳（メタデータ） (2021-08-09T15:10:58Z)
• Group Collaborative Learning for Co-Salient Object Detection [152.67721740487937]
  協調物体をリアルタイムで検出できる新しいグループ協調学習フレームワーク(GCoNet)を提案する(16ms)。 CoCA、CoSOD3k、Cosal2015の3つの挑戦的なベンチマークに関する大規模な実験は、我々の単純なGCoNetが10の最先端モデルより優れ、新しい最先端モデルを達成することを実証している。
  論文  参考訳（メタデータ） (2021-03-15T13:16:03Z)
• Structured Diversification Emergence via Reinforced Organization Control and Hierarchical Consensus Learning [48.525944995851965]
  組織制御の強化と階層的コンセンサス学習に基づく構造的多様化型MARLフレームワーク scRochico を提案する。 scRochicoは、探索効率と協力強度の観点から、現在のSOTAアルゴリズムよりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-02-09T11:46:12Z)
• Deep neural networks for collaborative learning analytics: Evaluating team collaborations using student gaze point prediction [3.655021726150368]
  本稿では,コンピュータビジョンソリューションによって抽出された視線点と共同視覚情報に基づくチームアセスメントツールを提案する。 以上の結果から,JVAは学生の学習結果と正の相関が認められた。
  論文  参考訳（メタデータ） (2020-10-16T02:07:29Z)

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。