論文の概要: Quantifying the Knowledge Proximity Between Academic and Industry Research: An Entity and Semantic Perspective

• arxiv url: http://arxiv.org/abs/2602.05211v1
• Date: Thu, 05 Feb 2026 02:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.712558
• Title: Quantifying the Knowledge Proximity Between Academic and Industry Research: An Entity and Semantic Perspective
• Title（参考訳）: 学術研究と産業研究の知識近さの定量化:実体的・意味的視点
• Authors: Hongye Zhao, Yi Zhao, Chengzhi Zhang,
• Abstract要約: 学術と産業は、相互整形と動的フィードバック機構によって特徴づけられる。 既存の研究は、主に協力論文や特許の数などのマクロ指標に依存している。 本研究では, 微粒な実体と意味空間を通して, 学術・産業共進化の軌跡を定量化する。
• 参考スコア（独自算出の注目度）: 7.232456257799662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The academia and industry are characterized by a reciprocal shaping and dynamic feedback mechanism. Despite distinct institutional logics, they have adapted closely in collaborative publishing and talent mobility, demonstrating tension between institutional divergence and intensive collaboration. Existing studies on their knowledge proximity mainly rely on macro indicators such as the number of collaborative papers or patents, lacking an analysis of knowledge units in the literature. This has led to an insufficient grasp of fine-grained knowledge proximity between industry and academia, potentially undermining collaboration frameworks and resource allocation efficiency. To remedy the limitation, this study quantifies the trajectory of academia-industry co-evolution through fine-grained entities and semantic space. In the entity measurement part, we extract fine-grained knowledge entities via pre-trained models, measure sequence overlaps using cosine similarity, and analyze topological features through complex network analysis. At the semantic level, we employ unsupervised contrastive learning to quantify convergence in semantic spaces by measuring cross-institutional textual similarities. Finally, we use citation distribution patterns to examine correlations between bidirectional knowledge flows and similarity. Analysis reveals that knowledge proximity between academia and industry rises, particularly following technological change. This provides textual evidence of bidirectional adaptation in co-evolution. Additionally, academia's knowledge dominance weakens during technological paradigm shifts. The dataset and code for this paper can be accessed at https://github.com/tinierZhao/Academic-Industrial-associations.
• Abstract（参考訳）: 学術と産業は、相互整形と動的フィードバック機構によって特徴づけられる。 異なる制度的論理にもかかわらず、彼らは協力的な出版と人材の移動に密接に適応し、制度的な分断と集中的な協力の緊張を示しています。 彼らの知識の近さに関する既存の研究は、主に協力論文や特許の数などのマクロ指標に依存しており、文献における知識単位の分析が欠如している。 これにより、業界とアカデミアの間のきめ細かい知識の理解が不十分になり、コラボレーションフレームワークやリソース割り当て効率を損なう可能性がある。 本研究は, 学術・産業共進化の軌跡を, 微粒な実体と意味空間を通して定量化する。 実体測定部では、事前訓練されたモデルを用いてきめ細かな知識エンティティを抽出し、コサイン類似度を用いてシーケンスオーバーラップを計測し、複雑なネットワーク解析によりトポロジ的特徴を解析する。 意味レベルでは、教師なしのコントラスト学習を用いて意味空間の収束を定量的に計測する。 最後に、引用分布パターンを用いて、双方向の知識フローと類似性の間の相関について検討する。 分析によると、学界と産業の間の知識の近さは、特に技術的な変化によって増大する。 これは、共進化における双方向適応のテキスト的証拠を提供する。 さらに、学界の知識の優位性は、技術的なパラダイムシフトの間に弱まる。 この論文のデータセットとコードはhttps://github.com/tinierZhao/Academic-Industrial-association.comでアクセスすることができる。

関連論文リスト

• Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
  大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。 この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。 このボトルネックは、帰属の曖昧さに起因している。 本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T04:19:52Z)
• Computational Foundations for Strategic Coopetition: Formalizing Interdependence and Complementarity [0.33985917934283577]
  本報告では、相互依存と相補性という2つの臨界次元を形式化する計算基盤を開発する。 我々は,i*構造依存解析における相互依存を基礎とし,従属関係を構造的翻訳フレームワークを通じて定量的相互依存係数に変換する。 我々は,Branenburger と Nalebuff の Added Value の概念に従って相補性を形式化し,パラメータ化の検証による相乗的値生成をモデル化する。 Nash Equilibriumが構造的相互依存を取り入れたゲーム理論の定式化を導入する。
  論文  参考訳（メタデータ） (2025-10-21T16:57:40Z)
• Trajectories of Change: Approaches for Tracking Knowledge Evolution [0.0]
  SEN(Socsocial-epistemic Network)の枠組みを通じて,知識システムの局所的・グローバル的進化を探求する。 まず,相対エントロピーに基づく情報理論を用いてセマンティックシフトを検出し,その意義を評価し,鍵となる駆動特徴を同定する。 第二に、文書の埋め込みのバリエーションは意味的近傍の変化を明らかにし、類似文書の濃度がどのように上昇するか、安定したまま、あるいは分散し続けるかを追跡する。
  論文  参考訳（メタデータ） (2024-12-31T11:09:37Z)
• Discovering emergent connections in quantum physics research via dynamic word embeddings [0.562479170374811]
  概念結合予測のための動的単語埋め込みに基づく新しい手法を提案する。 知識グラフとは異なり,本手法は概念間の暗黙の関係を捉え,教師なしの方法で学習し,より広い範囲の情報を符号化する。 この表現は、科学文献における概念的関係をモデル化するための、より柔軟で情報的な方法を提供することを示唆している。
  論文  参考訳（メタデータ） (2024-11-10T19:45:59Z)
• Distributional Associations vs In-Context Reasoning: A Study of Feed-forward and Attention Layers [49.80959223722325]
  本研究では,大規模言語モデルにおけるフィードフォワード層とアテンション層との区別について検討する。 フィードフォワード層はビッグラムのような単純な分布関係を学習する傾向があり、注意層は文脈内推論にフォーカスする。
  論文  参考訳（メタデータ） (2024-06-05T08:51:08Z)
• The Clever Hans Mirage: A Comprehensive Survey on Spurious Correlations in Machine Learning [78.13481522957552]
  機械学習モデルは、入力の非本質的特徴と対応するラベルの間の急激な相関に敏感である。 本稿では,機械学習モデルにおける突発的相関に対処する既存の最先端手法の詳細な分類法とともに,この問題の包括的調査を行う。
  論文  参考訳（メタデータ） (2024-02-20T04:49:34Z)
• Innovation and Word Usage Patterns in Machine Learning [1.3812010983144802]
  機械学習の領域に現れた重要なテーマと基本的な概念を特定します。 研究貢献の斬新さと多様化を定量化するために、Kullback-Leibler Divergence 計量を用いる。
  論文  参考訳（メタデータ） (2023-11-07T00:41:15Z)
• Knowledge-Enhanced Hierarchical Information Correlation Learning for Multi-Modal Rumor Detection [82.94413676131545]
  マルチモーダルなうわさ検出のための知識強化型階層型情報相関学習手法(KhiCL)を提案する。 KhiCLは異質な一様性特徴を共通特徴空間に伝達するために、クロスモーダルな関節辞書を利用する。 画像やテキストから視覚的およびテキスト的実体を抽出し、知識関連推論戦略を設計する。
  論文  参考訳（メタデータ） (2023-06-28T06:08:20Z)
• How Do Transformers Learn Topic Structure: Towards a Mechanistic Understanding [56.222097640468306]
  我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する 数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T21:42:17Z)

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。