上記の結論と前回のブログの内容を踏まえると、チームで考えるタイミングを気をつけた方がいいということになります。それでは、どういうタイミングでチームで考えるのがいいのでしょうか? 今回はこの問いに答えるべく、ブレインストーミングに関する研究(Korde and Paulus, 2017)*1をご紹介します。
*1:Korde, R., & Paulus, P. B. (2017). Alternating individual and group idea generation: Finding the elusive synergy. Journal of Experimental Social Psychology, 70, 177-190.
また、社会関係資本は健康に対しても良い影響を及ぼすことが知られています。タバコを吸わないように心がけることは個人の営みですが、「路上喫煙禁止」といった健康に関わるルールの策定やその監視は、個人間の協力が必要な社会的営みであるからです(Villalonga-Olives and Kawachi 2017)。健康という一見とても「私」的な事柄に対して、個人を超えた「つながり」が影響するというのは、非常に興味深い現象です。
最近、組織コミュニケーションという観点から見た社会関係資本の負の側面に関してレビューした論文が出ています(Pillai et al. 2017)。著者らは、「個人的学習の禁止(the inhibition of individual learning)」「構造的調整の先延ばし(the postponement of structural adjustments)」「企業の境界の曖昧化(the blurring of firms’ boundaries)」といったデメリットを挙げています。詳細が気になる方は、元論文を参照してみることをお勧めします。
重要なのは、「閉鎖」と「開放」のバランスです。結束的なチームのパフォーマンスを長期間持続させたい場合、別のクラスタへの橋渡しの回路を意識的に用意しておくか、あるいは近年になってロナルド・バートが提案しているように、周期的に閉鎖と開放のモードを切り替えることが必要かもしれません(Burt and Merluzzi 2016)。
【参考文献】
Aral, S. (2016). The future of weak ties. American Journal of Sociology, 121(6), 1931-1939.
Burt, R. S., & Merluzzi, J. (2016). Network oscillation. Academy of Management Discoveries, 2(4), 368-391.
Coleman, J. (1988). Social Capital in the Creation of Human Capital. American Journal of Sociology, 94, 95-120.
Portes, A. (1998). Social capital: Its origins and applications in modern sociology. Annual review of sociology, 24(1), 1-24.
Pillai, K. G., Hodgkinson, G. P., Kalyanaram, G., & Nair, S. R. (2017). The negative effects of social capital in organizations: A review and extension. International Journal of Management Reviews, 19(1), 97-124.
Villalonga-Olives, E., & Kawachi, I. (2017). The dark side of social capital: A systematic review of the negative health effects of social capital. Social Science & Medicine, 194, 105-127.
SRGAN(Generative Adversarial Network for Super-Resolurion)は超解像にGANを初めて適用したモデルで,論文のタイトルに「Photo-realistic」とあるように,従来手法に比べて結果の知覚品質が高く,自然であるとして有名です.
近年提案されている超解像モデルの多くがSRGANをベースとしていて,直近のECCV2018に併設されたPIRM Challenge on Perceptual Super Resolution[*2]においても,SRGANの拡張であるESRGAN[*3]が知覚品質を競うトラックで優勝を納めています.
classGenerator(nn.Module):
def__init__(self, scale_factor=4):
super(Generator, self).__init__()
self.head = nn.Sequential(
nn.Conv2d(3, 64, kernel_size=9, padding=4),
nn.PReLU()
)
self.body = nn.Sequential(
*[ResidualBlock(64) for _ inrange(16)],
nn.Conv2d(64, 64, kernel_size=3, padding=1),
nn.PReLU()
)
self.tail = nn.Sequential(
*[UpsampleBLock(64, 2) for _ inrange(int(log2(scale_factor)))],
nn.Conv2d(64, 3, kernel_size=9, padding=4),
nn.Tanh()
)
defforward(self, x):
x = self.head(x)
x = self.body(x) + x
x = self.tail(x)
return (x + 1) / 2
*1:Ledig, Christian, et al. "Photo-realistic single image super-resolution using a generative adversarial network." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
*2:Blau, Yochai, et al. "The 2018 PIRM Challenge on Perceptual Image Super-Resolution." European Conference on Computer Vision. Springer, Cham, 2018.
*3:Wang, Xintao, et al. "ESRGAN: Enhanced super-resolution generative adversarial networks." European Conference on Computer Vision. Springer, Cham, 2018.
*4:He, Kaiming, et al. "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
4/18(木)〜20(土)の3日間、福岡国際会議場で開催されたRubyKaigi2019にLanyard Sponsorとして参加させていただきました。私は普段はデータ統括部門であるDSOCで、サーバサイドをRuby on Railsで開発しています。今回初めて、RubyKaigiに参加してきたのでそのレポートをご紹介致します。