Машинное обучение применили для анализа карьерного роста

Исследователи c помощью нейросетей изучили периоды высокой активности художников, ученых и режиссеров. Полученные результаты могут использоваться для выявления и развития талантливых подростков в различных областях.

В целом ряде творческих областей персональные карьеры характеризуются периодами высокой активности. Тем не менее, остается неясным, существуют ли какие-либо закономерности, лежащие в основе начала таких периодов. В статье, опубликованной в Nature Communications, ученые построили многомерные представления результатов деятельности представителей вышеперечисленных групп для выявления предпосылок высокой творческой активности на основе трансферного обучения.

Для обучения модели был составлен датасет, состоящий из:

  • 79 тысяч карточек фильмов четырех тысяч режиссеров в базе IMDB;
  • 800 тысяч картин двух тысяч художников;
  • 1 миллион публикаций двадцати тысяч ученых из Google Scholar.

Для каждого элемента датасета строилось 200-мерное представление для анализа динамики стиля авторов. Выходными результатами модели являются закономерности, лежащие в основе возникновения периодов высокой карьерной активности.

Модель выявила важную роль накопления знаний и проведения собственных исследований для карьерного роста. При этом во всех трех рассмотренных областях важный поворотный момент в карьере связан не с выбором одной из двух тактик, а с определенной последовательностью «накопление знаний — исследование».

Авторы исследования утверждают, что последовательный взгляд на творческие стратегии со сбалансированностью обучения и исследований может быть особенно эффективным для получения долгосрочного успеха.

Подписаться
Уведомить о
guest

0 Comments
Межтекстовые Отзывы
Посмотреть все комментарии

gogpt