Vul uw gegevens in en krijg toegang tot onze online financiële cursussen

Die video’s werden geanalyseerd met behulp van drie technieken voor machinaal leren.

Eerst keken de onderzoekers naar de woorden die CEO’s kozen, met behulp van statistische inferentie om uiteindelijk 100 onderwerpen te genereren die zo divers waren als marketing, bedrijfsbesturen en persoonlijke familiegeschiedenis. Elke CEO werd gescoord op basis van hun neiging om bij een bepaald onderwerp te blijven, in plaats van van onderwerp naar onderwerp te stuiteren, een maatregel die ze ‘onderwerpentropie’ noemden.

De tweede machine-leertechniek keek ook naar woorden, maar deze keer verdeelde ze door positieve of negatieve valentie, of hoeveel de spreker schommelde tussen positieve en negatieve emoties.

Ten slotte onderzochten de onderzoekers de non-verbale communicatie van CEO’s door hun gezichtsuitdrukkingen te analyseren met behulp van een computervisietoepassing die ze beoordeelde op acht emoties: woede, minachting, walging, angst, geluk, neutraal, verdriet en verrassing. Dit type analyse was meestal gedaan door menselijke codeerders, maar de onderzoekers ontdekten dat computeranalyse een robuust, maar toch snel en goedkoop alternatief bleek te zijn voor het genereren van emotionele gegevens.
Komt de stijl van de CEO overeen met de prestaties?

Met die gegevens in de hand, de onderzoekers gegroepeerd CEO’s in een van de vijf verschillende communicatiestijlen. Bij het onderzoeken van de verschillende attributen gaven ze elk een naam. Degenen die bijvoorbeeld positief taalgebruik en een reeks gezichtsuitdrukkingen gebruikten, werden als Excitabel beschouwd. Degenen die woede, minachting en walging vertoonden, maar ook een behoorlijk aantal neutrale uitdrukkingen, werden het etiket Stern genoemd . CEO’s met hoge onderwerpentropie en die blij en minachtend gelaatsuitdrukkingen leken te gebruiken, werden Rambling genoemd . Degenen met een reeks uitdrukkingen werden Dramatisch genoemd , terwijl degenen die gekenmerkt werden door droefheid en negativiteit melancholie werden genoemd.

De verschillende stijlen leken alleen naar voren te komen, zeggen Khanna en Choudhury, toen zowel tekst- als gelaatstrekken samen werden geanalyseerd. “We waren in staat om deze meerdere dimensies aan te nemen en deze stijlen te construeren die voorheen niet mogelijk waren,” zegt Choudhury.

De onderzoekers zochten vervolgens naar verbanden tussen de communicatiestijl en andere aspecten van het bedrijf. Mensen met een hogere Dramatische score vertoonden bijvoorbeeld minder fusie- en overnameactiviteit in het jaar na het interview. Ook hadden de communicatiestijlen die voortkwamen uit het gezamenlijk gebruik van tekst- en beeldgegevens, meer statistische kracht bij het verklaren van variabiliteit in de gegevens, vergeleken met alleen het gebruik van tekst- of beeldgegevens.

Choudhury en Khanna benadrukken dat deze resultaten slechts illustratief zijn. Hun belangrijkste doel bij het schrijven van de paper, zeggen ze, is als proof of concept bij het openen van de conceptie van wat voor soort datamachine-learning effectief kan analyseren.

“Er zijn zoveel nieuwe vormen van gegevens die er zijn, en met de rekenkracht die de afgelopen 20 jaar stratosferisch is toegenomen, zijn er nu veel mogelijkheden om veel van de dingen die in het bedrijfsleven gaande zijn beter te analyseren,” zegt Khanna. YouTube kan bijvoorbeeld een schat aan informatie bieden om de communicatie van CEO’s uit toespraken te analyseren.
Extra toepassingen voor onderzoek naar machine learning

Investment in Netherlands

Deze aanvullende gegevensbronnen zijn vooral nuttig bij het bestuderen van opkomende markten waar conventionele gegevensbronnen mogelijk minder gemakkelijk beschikbaar zijn en het begrip van onderzoekers van die markten rudimentair is. Veel van deze regio’s zijn ook rijk aan op technologie gebaseerde gegevensbronnen die kunnen worden bestudeerd, zoals de explosies van mobiele telefoons en Internet of Things in veel snelgroeiende Aziatische economieën.

Naast academische vragen, zouden bedrijfsanalisten deze technieken voor machinaal leren, waarvan de onderzoekers zeggen dat ze relatief eenvoudig en gemakkelijk te gebruiken zijn, kunnen gebruiken om stempatronen in winstoproepen of non-verbale communicatie op aandeelhoudersvergaderingen te analyseren om diepte te geven aan hun beoordeling van bedrijfsprestaties .

“Er is een hele oceaan aan gegevens die mensen niet gebruiken”, zegt Khanna. “Het gebruik kan helpen bij het onderzoeken van veel vragen die essentieel zijn voor bedrijven.

Leave a Reply

Your email address will not be published. Required fields are marked *