Jun, 2024

协作团队认知：核心加扩展结构

PDF
TL;DR科学合作是知识创造和思想交流中的重要行为。本研究聚焦于识别协作团队和探索其内部模式，使用学术大图数据。提出一种基于 “核心 + 扩展” 团队结构的协作团队识别（CORE）模型，以在大型学术网络中识别协作团队。CORE 将协作强度指标与一系列结构特征相结合，以识别成员之间具有紧密合作关系的协作团队，并指导核心团队成员寻找扩展成员。CORE 还可作为基于团队的研究的基础。模拟结果显示 CORE 揭示了科学合作的内部模式：资深学者拥有广泛的合作关系和固定的合作模式，是团队组装的基本机制。实验结果表明，与现有方法相比，CORE 具有很大的潜力。
发现论文，激发创造
  • 高级学术团队成员推荐模型

    通过结合查询上下文和论文与图拓扑的关系构成新的图模型 CQBG-R，我们提出了一种学术团队工作者推荐的方法，以研究兴趣和特定任务为目标，实验证明了该方法的有效性。

    Feb, 2024

  • 网络结构、自组织与科学国际合作的增长

    探讨了科学技术国际合作的不同解释，并发现很少有文献可以得到数据的详细支持。通过应用网络科学的新工具，发现国际合著的增长可以归因于自组织现象。作者的共同作用联系可以被认为是一个涉及竞争和合作特点的复杂网络，为管理全球科学合作提供了启示。

    Nov, 2009

  • 学术漫游者：协作网络结构与研究绩效的关系

    本研究利用人类学中的认知模型对科学家之间的个人合作网络（即从每个研究人员的角度考虑的网络）进行表征，研究了学术合作、学术表现和学术流动在不同职业阶段的相互影响。研究发现，合著网络的结构与学术表现指数之间存在明显的相关性，但高绩效与大型合作网络的相关性存在容量限制效应。

    May, 2021

  • 科学合作网络的结构

    该研究调查了科学合作网络的结构，发现这些网络形成了 “小世界”，研究了作者的合作者数量的平均值和分布情况，证明了网络中的聚类存在，强调了不同领域之间合作模式的显着差异。

    Jul, 2000

  • 基于图表征学习的团队绩效建模

    提出了一种基于图神经网络的模型，通过采用三种不同的网络结构：拓扑学、中心性和语境，结合两种注意机制，确定确定团队成功的关键成员，并量化三个因素对团队绩效的贡献；该模型在预测团队绩效方面表现出色，并在合成数据集上进行了验证，证明其性能优于基线模型。

    Jun, 2022

  • 响应项目建议书的开放数据驱动团队推荐，促进研究合作

    利用各种人工智能方法建议团队、评估团队质量并验证用户满意度，用以推荐和匹配研究机构与研究人员之间的合作机会。

    Sep, 2023

  • 动态社交网络的基本结构

    通过发现一个密集连接的人口的动态社交网络，结构和核心能够提供社交行为和空间行为之间复杂相互作用的强有力的简化，这些研究结果表明社交行为可以用高精度进行预测。

    Jun, 2015

  • 核心 - 边缘网络的结构和动态

    通过总结核心 / 外围网络、富人俱乐部、嵌套、蝴蝶结和洋葱网络的结构和动态的当前知识，研究了全局和局部核心之间的差异，揭示了这些高度复杂性的特征及如何影响复杂系统的韧性。

    Sep, 2013

  • RK-core: 数据集中层次结构探索的已建立方法学

    最近，机器学习领域已经从以模型为中心转向以数据为中心，通过积累更广泛的数据集，便于在这些数据集上训练更大型的模型，我们引入一种先进的方法 RK-core，以增进对数据集内复杂的层次结构的更深入了解。我们发现，核心性值较低的样本在各自类别中具有较低的代表性，而核心性值较高的样本则表现出更高的代表性。与之相关的是，核心性值较高的样本在性能上比核心性值较低的样本做出更实质的贡献。在此基础上，我们进一步运用 RK-core 来分析不同 coreset 选择方法下样本的层次结构。令人惊讶的是，高质量的 coreset 应该表现出层次多样性而不仅仅是代表性样本。

    Oct, 2023

  • 面向科学知识图谱构建的实体、关系和共指的多任务识别

    本研究提出了一个多任务学习框架 SciIE 来识别、分类科学文章中的实体、关系和共指链接，并使用跨句子的共指链接来减少任务之间的级联错误。在科学信息提取方面，多任务模型效果优于以往模型，同时支持构建科学知识图谱分析科学文献。

    Aug, 2018