Fugu-MT 論文翻訳(概要): A Delphi Study on the Adaptation of SCRUM Practices to Remote Work

論文の概要: A Delphi Study on the Adaptation of SCRUM Practices to Remote Work

arxiv url: http://arxiv.org/abs/2503.21960v1
Date: Thu, 27 Mar 2025 20:17:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-31 15:32:12.224873
Title: A Delphi Study on the Adaptation of SCRUM Practices to Remote Work
Title（参考訳）: 遠隔作業におけるSCRUM実践の適応に関するDelphi研究
Authors: Cleyton Magalhaes, Fernando Padoan, Robson Santos, Ronnie de Souza Santos,
Abstract要約: この研究は、新型コロナウイルスのパンデミックの前後で、リモートとハイブリッドの作業のためにスクラムのプラクティスがどのように調整されたかを探る。予備的な重要な発見は、コミュニケーションが主要な課題であり、ミーティング構造、情報共有プラクティス、コラボレーションツールの調整につながります。
参考スコア（独自算出の注目度）: 41.94295877935867
License:
Abstract: This study explores how Scrum practices were adjusted for remote and hybrid work during and after the COVID-19 pandemic, using a Delphi study with Scrum Masters to gather expert insights. Preliminary key findings highlight communication as the primary challenge, leading to adjustments in meeting structures, information-sharing practices, and collaboration tools. Teams restructured ceremonies, introduced new meetings, and implemented persistent information-sharing mechanisms to improve their work.
Abstract（参考訳）: この研究は、新型コロナウイルスのパンデミックの前後で、リモートとハイブリッドの作業のためにスクラムのプラクティスがどのように調整されたかについて、Delphi氏によるスクラムマスターによる調査を用いて、専門家の洞察を集めている。予備的な重要な発見は、コミュニケーションが主要な課題であり、ミーティング構造、情報共有プラクティス、コラボレーションツールの調整につながります。チームは儀式を再構築し、新しいミーティングを導入し、作業を改善するために永続的な情報共有メカニズムを実装した。

関連論文リスト

CollabEdit: Towards Non-destructive Collaborative Knowledge Editing [23.013415033531974]
この写本は、共同知識編集の第1回研究に掘り下げられている。知識の重複、知識の衝突、知識の忘れという3つの課題を特定します。グローバルなKE動作を模倣する新しいモデルマージ機構を用いた非破壊的協調型KEフレームワークであるCOLLABEDITを提案する。
論文参考訳（メタデータ） (2024-10-12T12:10:14Z)
Theory on Mixture-of-Experts in Continual Learning [72.42497633220547]
継続学習(CL)は、時間とともに現れる新しいタスクに適応する能力のため、大きな注目を集めている。モデルが新しいタスクに適応するにつれて、(古いタスクの)破滅的な忘れがCLの大きな問題として認識されるようになった。 MoEモデルは近年,ゲーティングネットワークを用いることで,CLの破滅的忘れを効果的に軽減することが示されている。
論文参考訳（メタデータ） (2024-06-24T08:29:58Z)
Collaborative Team Recognition: A Core Plus Extension Structure [10.842779758836219]
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。
論文参考訳（メタデータ） (2024-06-07T07:12:35Z)
Exploring Human-AI Collaboration in Agile: Customised LLM Meeting Assistants [0.0]
Action Research Researchは、2つのアジャイルソフトウェア開発ミーティングにおける"AIアシスタント"の統合に焦点を当てている。成功の鍵となる要因について議論し、AIの使用とチームコラボレーションのダイナミクスのリンクを確立する。
論文参考訳（メタデータ） (2024-04-23T09:55:25Z)
A Unified and General Framework for Continual Learning [58.72671755989431]
継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
論文参考訳（メタデータ） (2024-03-20T02:21:44Z)
Investigating Collaborative Data Practices: a Case Study on Artificial Intelligence for Healthcare Research [1.3178083420209858]
英国における複数の長期的条件を理解し管理するためにAIツールを適用する研究コンソーシアムのコラボレーティブデータプラクティスについて検討する。本研究は,知識共有のためのツールの適応と,オーディエンスに基づく情報の調整について明らかにした。私たちはミーティングを、規律間の交流を促進し、知識のブレンディングと創出を可能にするキーセッティングとして特定します。
論文参考訳（メタデータ） (2023-11-30T10:19:33Z)
EEML: Ensemble Embedded Meta-learning [5.9514420658483935]
本稿では,事前知識を多種多様な専門家に整理するために,マルチモデルアンサンブルを明示的に活用する組込みメタ学習アルゴリズム(EEML)を提案する。トレーニングプロセスのエキスパートに多様なタスクを提供し、テストフェーズで専門家がどのように協力するかを指示するために、クラスタメカニズムを組み込むタスクに依存しています。実験結果から,提案手法は,最近の最先端技術に優れることが示された。
論文参考訳（メタデータ） (2022-06-18T12:37:17Z)
Relational Experience Replay: Continual Learning by Adaptively Tuning Task-wise Relationship [54.73817402934303]
本稿では,2段階の学習フレームワークである経験連続再生(ERR)を提案する。 ERRは、すべてのベースラインの性能を一貫して改善し、現在の最先端の手法を超えることができる。
論文参考訳（メタデータ） (2021-12-31T12:05:22Z)
Exploring Zero-Shot Emergent Communication in Embodied Multi-Agent Populations [59.608216900601384]
本研究では,3次元環境下で関節を作動させることでコミュニケーションを学ぶエージェントについて検討する。現実的な仮定、意図の非一様分布、共通知識エネルギーコストにおいて、これらのエージェントは新規パートナーに一般化するプロトコルを見つけることができることを示す。
論文参考訳（メタデータ） (2020-10-29T19:23:10Z)
Transfer Heterogeneous Knowledge Among Peer-to-Peer Teammates: A Model Distillation Approach [55.83558520598304]
本研究は, モデル蒸留により, 複数の学生間で経験と伝達値関数を再利用する新しい手法を提案する。また、異種知識を活用するための効率的な通信プロトコルの設計方法について述べる。提案するフレームワークである学習・指導カテゴリー強化は,学習の進捗を安定化・加速する上で有望な性能を示す。
論文参考訳（メタデータ） (2020-02-06T11:31:04Z)

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。