fbpx
  • 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