یک سیستم توصیفی محقق برای همکاری دانشگاهی و صنعت در پروژه های تحقیق و توسعه

Elsevier
سال انتشار :
2017
تعداد صفحات مقاله انگلیسی :
12
نشریه :
الزویر
تعداد رفرنس ها :
37
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
University-industry collaboration Project collaboration Collaborator identification Context-aware recommendation
کلمات کلیدی :
همکاری دانشگاه و صنعت، همکاری پروژه، شناسایی همکاران، توصیه های آگاهی زمینه
عنوان فارسی :

یک سیستم توصیفی محقق برای همکاری دانشگاهی و صنعت در پروژه های تحقیق و توسعه

عنوان انگلیسی :

A context-aware researcher recommendation system for university-industry collaboration on R&D projects

ژورنال :
Decision Support Systems
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0167923617301562
آدرس DOI :
https://doi.org/10.1016/j.dss.2017.09.001
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2017

تعداد صفحات مقاله انگلیسی : 11

نشریه : الزویر

تعداد رفرنس ها : 37

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : University-industry collaboration Project collaboration Collaborator identification Context-aware recommendation

کلمات کلیدی : همکاری دانشگاه و صنعت، همکاری پروژه، شناسایی همکاران، توصیه های آگاهی زمینه

عنوان فارسی : یک سیستم توصیفی محقق برای همکاری دانشگاهی و صنعت در پروژه های تحقیق و توسعه

عنوان انگلیسی : A context-aware researcher recommendation system for university-industry collaboration on R&D projects

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0167923617301562



چکیده انگلیسی
University-industry collaboration plays an important role in the success of R&D projects. One of the main challenges of university-industry collaboration is the identification of suitable partners. Due to the information asymmetry problem, it is difficult for companies to identify researchers from universities for collaboration on their R&D projects. Various expert recommendation systems (e.g., question responder recommenders and co-author recommenders) have been proposed, but they fail to characterize companies' needs in identifying suitable researchers. This paper proposes a context-aware researcher recommendation system to encourage university-industry collaboration on industrial R&D projects. The system has two modules: an offline preparation module and an online recommendation module. In the offline preparation module, candidate researchers are identified in advance to improve the efficiency of the context-aware recommendation. In the online recommendation module, contextual information (i.e., R&D projects) is captured from a social network platform, and then, candidate researchers are recommended based on a contextual trust analysis model, which combines the expertise relevance, quality, and trust relations of researchers to profile and evaluate candidate researchers for the R&D project collaboration. An offline experiment and a user study are conducted to evaluate the effectiveness of the proposed recommendation system. The results show that the proposed method achieves better performance than the baseline methods.

چکیده فارسی
همکاری دانشگاهی و صنعتی نقش مهمی را در موفقیت پروژه های تحقیق و توسعه ایفا می کند. یکی از چالش های اصلی همکاری دانشگاه و صنعت شناسایی شرکای مناسب است. با توجه به مشکل عدم تقارن اطلاعات، شرکت ها برای شناسایی محققان از دانشگاه ها برای همکاری در پروژه های تحقیق و توسعه خود دشوار است. سیستم های توصیه شده مختلف کارشناسان (به عنوان مثال، سؤالکنندگان پاسخ سؤال و توصیه های همکار نویسنده) پیشنهاد شده اند، اما آنها نتوانسته اند نیازهای شرکتها را در شناسایی محققان مناسب مورد بررسی قرار دهند. این مقاله پیشنهاد می کند که یک سیستم توصیه کننده محرمانه برای تشویق همکاری دانشگاهی و صنعت در پروژه های تحقیق و توسعه صنعتی باشد. این سیستم دارای دو ماژول است: یک ماژول تهیه آفلاین و یک ماژول توصیه آنلاین. در مؤسسه آماده سازی آفلاین، محققان نامزد به طور پیشینی برای بهبود کارایی توصیه های متنی شناخته می شوند. در ماژول توصیه آنلاین، اطلاعات متنی (یعنی پروژه های تحقیق و توسعه) از یک پلت فرم شبکه اجتماعی گرفته می شود، و سپس، محققان براساس یک مدل تحلیل اعتماد متقابل توصیه می شوند که متشکل از روابط، کیفیت و روابط اعتماد محققان برای توصیف و ارزیابی محققین داوطلب برای همکاری پروژه تحقیق و توسعه است . یک آزمایش آفلاین و یک مطالعه کاربر برای ارزیابی اثربخشی توصیه سیستم پیشنهاد شده انجام می شود. نتايج نشان مي دهد که روش پيشنهادي عملکرد بهتري نسبت به روش هاي ابتدايي دارد.

موضوعات مقاله