Сватовство в учебе и исследованиях: тенденции и практика

Начиная с прошлого года, прорывы университетов и промышленности продемонстрировали нишевое сотрудничество и то, чего можно достичь, когда есть общая повестка дня и понимание между командами трансфера технологий и промышленными НИОКР.
Почти все следили за громкими партнерствами Covid-19, такими как вакцина AstraZeneca-Оксфорд, и это внимание вдохновляло на сотрудничество по всему миру. Однако, несмотря на это успешное сотрудничество, особенно в области наук о жизни, в некоторых областях сотрудничества наблюдаются сбои в коммерциализации исследований.
Команды ученых, работающих в офисах трансфера технологий, сталкиваются с множеством проблем, связанных с их ролью и профилем, чтобы академические исследования имели как можно большее влияние, а также с поддержанием и улучшением их репутации в университете и научно-исследовательском сообществе.
Для того, чтобы это произошло, команды по трансферу технологий должны найти наиболее перспективные исследования от академиков своего института, чтобы привлечь к ним наиболее отсортированную и аналогичную отрасль. Стоит отметить, что этот процесс поиска наилучшего соответствия также требует выявления не только соответствующих компаний, но и нужных людей в этих компаниях для установления контактов.
Определенный вызов для академической и исследовательской деятельности — найти правильного и целостного партнера в промышленности. Учитывая размер, сложность и глобальное распределение компаний, занимающихся исследованиями и разработками, неудивительно, что это наиболее распространенная проблема, с которой сталкиваются при подходе к коммерциализации. Специалисты в промышленности, а также академические преподаватели также подчеркнули, что они сталкиваются с ограниченностью времени и ресурсов, что приводит к проблемам эффективного управления всеми исследованиями, проводимыми в их институте, и разработки маркетинговых стратегий для отдельных технологий.
Технически, для такого подбора академических и исследовательских партнеров по перспективному профилю и требованиям к программам университета/школы используются два основных подхода: Статистическое машинное обучение (SML) и многокритериальный анализ решений.
Во-первых, система, основанная на статистическом машинном обучении, работает с серией наблюдаемых образцов данных, обучаясь выполнять заданную задачу на основе этих образцов данных. Методы SML применяются для решения вопроса о том, подходит ли конкретная тема исследования для университета/школы (формируя группу отобранных связей) или нет (группа отвергнутых связей).

Прогностическая ценность этого метода позволяет внести вклад в повышение точности процесса отбора абитуриентов. Однако эффективность статистических методов машинного обучения была оспорена из-за уровня сложности процесса принятия решения, сделанных предположений и достигнутого уровня прецессии соответствия.

С другой стороны, многокритериальный анализ решений — это класс многокритериальных методов оптимизации, которые включают использование матриц решений для обеспечения систематического способа оценки или ранжирования набора альтернатив (в данном случае соответствия целевых связей университету/школе) относительно набора критериев принятия решения (критерии отбора университета). Эти критерии решения обычно имеют весовые коэффициенты, чтобы отразить их относительную важность.

Must’s Matchmaking (заявка на патент) — это новая группа алгоритмов (алгоритмов), которые также могут способствовать установлению связей между научными и промышленными партнерами, и поэтому более полные разработки в области автоматизированного подбора будут видны в ближайшее время.

следите за нами в LinkedIn