ترغب بنشر مسار تعليمي؟ اضغط هنا

الاقتراب من الإجهاد والأداء في مؤشر القوة النسبية: اقتراح للعمل لاستعادة السيطرة

Approaching Stress and Performance in RSI: Proposal for Action to Take Back Control

104   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

وقد درست العلاقة بين الإجهاد والأداء والترجمة الشفوية عن بعد (RI) / الترجمة الفورية عن بعد (RSI) على نطاق واسع في الأبحاث الأكاديمية والمهنية والشركات خلال السنوات الخمسين الماضية. حاولت معظم هذه الأبحاث ربط RI / RSI بتغييرات في مستويات الإجهاد والأداء، مع عدم وجود نتائج غير ذات الصلة لاقتراح السببية. في حين لم يتم العثور على أي سبعة سريرية مهمة بين RI / RSI والإجهاد، فإن الإجهاد المتصور نفسه أثناء ري وخاصة مؤشر القوة النسبية من بين المترجمين المترجمين المترجمين في المؤتمرات هو مرتفع للغاية وتشير الدراسات الحديثة إلى زيادة في الزيادة. وقد لوحظت نتائج مماثلة مع الأداء، والتي تم تقييمها ذاتيا باستمرار على أنها أكثر فقرا أثناء ري / مؤشر القوة النسبية من خلال ممارسة المترجمين الفوريين مقارنة بالترجمة الشفوية الشخصية، ولم يتم ملاحظة انخفاض كبير في الأداء من قبل المراجعين المستقلين. اقترح العديد من العلماء ارتباطا بين الضغوط المنخفضة المصنفة من الأداء / العالية المتصورة ذاتيا ونقص السيطرة التي قد تنجم عن تعرضها لعوامل غير معروفة خلال RI / RSI العناصر التكنولوجية بشكل بارز، وهو أداء لم يعد أداء يكمن على أطراف ثالثة ولكن يكمن مع المترجمين الفوريين أنفسهم. تتركز هذه الورقة على نفس الفرضية وتقترح اقتراحا للعمل الذي يمكن للنفسيين القيام به للمساعدة في استعادة السيطرة وبالتالي تحسين موقفهم تجاه RI / RSI.

المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

نحن تصف عروضنا إلى الطبعة السادسة من المهمة المشتركة للتطبيقات الاجتماعية للتطبيقات الصحية (SMM4H).شارك فريقنا (ognlp) في المهمة الفرعية: تصنيف تغريدات القضايا المحتملة للإبلاغ عنها الذاتي (المهمة 5).بالنسبة لتقديم طلباتنا، عملنا أنظمة بناء على نماذج المحولات التراجع التلقائي (XLNET) والترجمة الخلفية لموازنة DataSet.
تشكل الكيانات المتساقطة تحديا للتعرف على الكيان المسمى (NER). تحدث هذه الظواهر عادة في المجال الطبي الطبيعي. كحل، يتم استخدام توسعات مخطط التمثيل الحيوي الذي يمكنه التعامل مع أنواع هذه أنواع الكيان بشكل شائع (I.E. BIOHD). ومع ذلك، فإن أنواع العلامات الإضافية تجعل مهمة NER أكثر صعوبة في التعلم. في هذه الورقة نقترحنا بديلا؛ مخطط حيوي مستمر غامض (Fuzzybio). نحن نركز على مهمة استخراج استجابة المخدرات الضارة والتطبيع لمقارنة Fuzzybio إلى BIOHD. نجد أن Fuzzybio يحسن استدعاء NER لشخصين من ثلاثة مجموعات بيانات ونتائج أعلى نسبة أعلى من الكيانات المفككة والمركبة المحددة بشكل صحيح لجميع مجموعات البيانات. يؤدي استخدام FuzzyBio أيضا إلى تحسين الأداء المنتهي للكيانات المستمرة والمركبة في مجموعتين من مجموعات البيانات الثلاثة. نظرا لأن Fuzzybio يحسن الأداء لبعض مجموعات البيانات والتحويل من Biohd إلى Fuzzybio واضح، فإننا نوصي بالتحقيق الأكثر فعالية لأي مجموعة بيانات تحتوي على كيانات متقطعة.
الشبكات العصبية هي طريقة أحدثت لآلة التعلم للعديد من المشاكل في NLP.نجاحهم في الترجمة الآلية ومهام NLP الأخرى هي ظاهرة، لكن قابلية الترجمة الشفوية تحديا.نريد معرفة كيف تمثل الشبكات العصبية معنى.من أجل القيام بذلك، نقترح فحص توزيع المعنى في تمثيل المس احة المتجهة للكلمات في الشبكات العصبية المدربة لمهام NLP.علاوة على ذلك، نقترح النظر في نظريات المعنى المختلفة في فلسفة اللغة وإيجاد منهجية ستمكننا من توصيل هذه المجالات.
مجردة ⚠ تحتوي هذه الورقة على مطالبات ونواتج النماذج المسيئة في الطبيعة. عند التدريب على الزحف الكبيرة وغير المرفقة من الإنترنت، تلتقط نماذج اللغة وإعادة إنتاج جميع أنواع التحيزات غير المرغوب فيها التي يمكن العثور عليها في البيانات: أنها غالبا ما تولد لغة عنصرية أو جنسية أو عنيفة أو غير سامة. نظرا لأن النماذج الكبيرة تتطلب ملايين الأمثلة التدريبية لتحقيق أداء جيد، فمن الصعب منعها تماما من التعرض لمثل هذا المحتوى. في هذه الورقة، نوضح أولا في العثور على إيجاد مفاجئ: تعترف نماذج اللغة المحددة، إلى درجة كبيرة، تحيزاتهم غير المرغوب فيها وسمية المحتوى الذي ينتجونه. نشير إلى هذه القدرة كتشخيص الذاتي. بناء على هذا النتيجة، نقترح خوارزمية فك تشفير ذلك، بالنظر إلى وصف نصي فقط للسلوك غير المرغوب فيه، يقلل من احتمال إنتاج نموذج لغة ينتج نصا مشكلة. نشير إلى هذا النهج كدخل ذاتي. لا يعتمد الدخل الذاتي على قوائم Word يدويا يدويا، ولا يتطلب الأمر أي بيانات تدريبية أو تغييرات على معلمات النموذج. في حين أننا لا نقضاء بأي حال من الأحوال قضية نماذج اللغة التي تولد نص متحيز، فإننا نعتقد أن نهجنا خطوة مهمة في هذا الاتجاه
تهدف الملخصات الزمنية (TLS) إلى توليد قائمة موجزة من الأحداث الموضحة في مصادر مثل المقالات الإخبارية.ومع ذلك، فإن النظم الحالية لا توفر طريقة كافية للتكيف مع مجالات جديدة ولا تركز على جوانب الاهتمام لمستخدم معين.لذلك، نقترح طريقة للتعلم بشكل تفاعلي T LS abractive باستخدام التعزيز التعلم (RL).نحدد وظيفة المكافأة المركبة واستخدام RL Tune Tune Tune Tune Abstractive Multi-Document Summarisation (MDS)، والتي تتجنب الحاجة إلى التدريب باستخدام الملخصات المرجعية.سيتم تعلم أحد الوظائف الفرعية بشكل تفاعلي من ملاحظات المستخدم لضمان الاتساق بين مطالب المستخدمين والجدول الزمني الذي تم إنشاؤه.تساهم الوظائف الفرعية الأخرى في التماسك الموضعي والطلاقة اللغوية.نقول تجارب لتقييم ما إذا كان نهجنا قد يؤدي إلى توليد مواقع زمنية دقيقة ودقيقة مصممة لكل مستخدم.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا