Hledání různorodých a propojených týmů: Počítačový přístup k sestavování různorodých týmů na základě členů, část 1

Abstraktní

Předchozí výzkumy ukazují, že týmy s rozdílným zázemím a dovednostmi mohou překonat homogenní týmy. Lidé však často dávají přednost spolupráci s ostatními, kteří jsou jim podobní a znají je a nedaří se jim sestavit týmy s vysokou úrovní diverzity.

Mezi známými lidmi a pamětí je velmi úzký vztah. Mezi známé patří naše rodina, přátelé, kolegové atd. Tito lidé mohou být obrovskou pomocí v našich životech, nejen že poskytují emocionální podporu, ale mají také pozitivní vliv na naši paměť.

Za prvé, známí lidé se mohou stát našimi paměťovými médii. Když s nimi komunikujeme, zlepšuje se naše koncentrace a mentální aktivita a můžeme si věci lépe pamatovat. Když komunikujeme, obvykle zmiňujeme věci, které jsou pro ně relevantní. Tyto věci úzce souvisejí s naším životem, takže jsou snadno zapamatovatelné. Díky těmto informacím si můžeme lépe vybavit události s nimi související, což pomáhá zlepšit naše paměťové schopnosti.

Za druhé, známí lidé si mohou poskytovat vzájemnou pomoc. Když například něco zapomeneme, můžeme se jich zeptat. Máme-li s touto osobou dobrý vztah, může nám být schopen poskytnout nějaké informace nebo tipy, které nám pomohou si věci lépe zapamatovat.

A konečně, známí lidé mohou poskytnout emocionální podporu. Když se setkáme s obtížemi nebo neúspěchy, jejich podpora nám může pomoci lépe se vyrovnat. To nám pomáhá udržet si pozitivní postoj a zlepšuje naši paměť.

V každodenním životě potřebujeme zůstat v kontaktu se známými lidmi a navazovat dobré vztahy. Můžeme tak posílit své paměťové schopnosti, abychom lépe zvládali svůj život. Je vidět, že potřebujeme zlepšit paměť a Cistanche deserticola může výrazně zlepšit paměť, protože Cistanche deserticola je tradiční čínský léčivý materiál, který má mnoho jedinečných účinků, jedním z nich je zlepšení paměti. Účinnost mletého masa vychází z různých účinných látek, které obsahuje, včetně kyselin, polysacharidů, flavonoidů atd. Tyto složky mohou různými způsoby podporovat zdraví mozku.

Klikněte na 10 způsobů, jak zlepšit paměť

Zkoumáme problém formování týmu s ohledem na skupinu jednotlivců s různými dovednostmi a vlastnostmi a sociální síť, která zachycuje známost mezi těmito jednotlivci. Cílem je zařadit všechny jednotlivce do různých týmů na základě jejich sociálních vazeb, a tím jim umožnit zachovat si úroveň známosti.

Tento problém formování týmu formulujeme jako multiobjektivní optimalizační problém, abychom členy rozdělili do dobře propojených a různorodých týmů v rámci sociální sítě.

Tento problém implementujeme použitím Non-dominated SortingGenetic Algorithm II (NSGA-II), který najde týmové kombinace s vysokou úrovní obeznámenosti a rozmanitosti v čase O(n2). Tento algoritmus jsme testovali na třech empiricky shromážděných týmových datových sadách a proti třem benchmarkovým algoritmům.

Experimentální výsledky potvrzují, že navržený algoritmus úspěšně vytvořil týmy, které mají jak rozmanitost v atributech členů, tak předchozí spojení mezi členy. Diskutujeme o výhodách používání výpočetních přístupů k rozšíření sestavování a složení týmu.

Úvod

Formování týmů se dnes liší od minulých desetiletí. V dnešní době se organizace a instituce snaží sestavit skupiny založené nejen na odbornosti členů, ale také na kritériích diverzity [1,2].

Vzhledem k tomu, že pracovní síla je stále rozmanitější, více organizací se zavazuje sdružovat členy s různým vzděláním, funkčním zázemím a demografickými atributy do stejného týmu [3, 4].

Četné studie ukazují potenciální přínosy diverzity v týmech [5, 6]. Na úrovni identity výzkum ukazuje, že demografická rozmanitost – členové týmu různých pohlaví, kultur, ras atd. – mohou zvýšit výkon týmu.

Pěstování demografické diverzity v týmech může přinést různé rysy, úhly pohledu a zkušenosti vlastní demografické skupině [7, 8]. Některými příklady jsou genderová diverzita, která podporuje produktivitu v týmech pro vývoj softwaru [9], kolektivní inteligenci týmů [10], a inovace ve skupinách výzkumu a vývoje [11]. Jedna studie ukázala, že rasová rozmanitost může také přinést alternativní perspektivy a stimulovat kreativitu, vytvářet originálnější a konkurenceschopnější nápady [12].

Dalším příkladem je kulturní rozmanitost: pomáhá týmům produkovat kreativnější výsledky než kulturně homogenní týmy [13]. Na kognitivní úrovni mohou týmy s vysokou úrovní funkční rozmanitosti – tedy členové týmu s různou odborností, kariérou a zázemím – poskytovat originálnější a kreativnější výsledky.

Podpora funkční rozmanitosti může zvýšit kreativitu, protože rozšiřuje šíři informací, znalostí, nápadů a perspektiv v rámci týmu [14]. Podporuje také divergentní myšlení, větší rozsah dovedností a rekombinaci nápadů [15, 16].

Výsledkem je, že funkčně různorodé týmy budou s větší pravděpodobností řešit složité problémy vyžadující kreativitu a inovace než homogenní skupiny [2, 8, 16]. Celkově hraje roli souhra demografické a funkční rozmanitosti v tom, jak rozdíly mezi členy týmu ovlivňují jejich práci a výkon[7].

Navzdory potenciálním výhodám diverzity v týmech výzkum také ukazuje, že diverzita je „dvojsečný meč“ [17]. Dřívější studie nabízejí smíšené, a dokonce protichůdné výsledky účinků diverzity na týmy [14, 17, 18].

Zatímco funkční diverzita může způsobit problémy s koordinací a konflikty ve skupině v důsledku rozdílů ve výcviku a znalostech, demografická diverzita může mezi členy vyvolat vzájemné předsudky (tj. rozdíl „my-oni“) [19], což vede k nedostatku soudržnosti, komunikace a důvěra [20–22].

Organizace po desetiletí propagovaly školení o rozmanitosti, aby členům pomohly pracovat s ostatními, kteří se od nich liší. Když jsou však lidé přiděleni k práci v různorodém týmu, je méně pravděpodobné, že se zapojí do týmu a budou motivováni pracovat s jinými spoluhráči. v demografických nebo funkčních atributech [23].

Jedním z potenciálních řešení, jak zmírnit nepříznivé účinky diverzity na týmy, je umožnit týmovou znalost (tj. předchozí zkušenosti členů týmu se vzájemnou prací). Značná část literatury ukazuje, že předchozí spolupráce vede k větší pravděpodobnosti úspěchu a budoucí spolupráce [24–26].

Znalost týmu vytváří základy důvěry, distribuce informací a komunikace mezi členy [27, 28]. A protože znalost týmu pomáhá členům při lokalizaci, sdílení a distribuci jejich znalostí, znalost týmu může řešit mnoho problémů způsobených rozmanitostí, aniž by to ohrozilo její potenciální výhody [29].

Mohou organizace sestavit týmy s vysokou úrovní rozmanitosti a znalostí současně?
Spíše než vytváření týmů na základě kritérií diverzity nebo předchozích vztahů může kombinace obojího pomoci členům podpořit důvěru a organizacím zvýšit význam výhod diverzity [29]. V této práci navrhujeme výpočetní přístup k nalezení vhodných týmových kombinací, které maximalizují týmovou rozmanitost a zároveň znalost.

Tyto charakteristiky dvou týmů jsme zvolili, protože obě lze určit během procesu formování týmu. Vzhledem k tomu, že tento úkol vyžaduje posouzení všech možných kombinací mezi dostupnými členy, propracujte optimalizační problém a jeho implementace algoritmů, abyste efektivně našli neocenitelné týmové kombinace.

Tento problém formování týmu formulujeme jako problém optimalizace s více cíli, abychom sestavili týmy maximalizující jejich rozmanitost a znalost současně.

K výpočtu diverzity týmů na základě rozmanitosti a disparity atributů používáme rámec Harrisonanda Kleina [30] a metriku komunikačních nákladů Kargara a An [31] k výpočtu známosti týmů na základě struktury sociální sítě členů [32].

Tento problém pak implementujeme použitím Non-dominated Sorting Genetic Algorithm II (NSGA-II).

Tato implementace je vhodná, protože poskytuje sadu účinných týmových kombinací a bere v úvahu kompromisy různých cílů. Efektivitu našeho přístupu demonstrujeme pomocí tří datových sad, které obsahují informace o členství v týmu: (1) studenti sami sestavují týmy pomocí platformy MyDreamTeam [33], (2) vědci, kteří jsou spoluautory článků poskytnutých BibSonomydatasetem [34], a (3 ) týmy spolupracující na GitHubu poskytované datovou sadou GHTorren [35].

Náš navržený algoritmus posuzujeme oproti jiným vícecílovým optimalizačním metodám, které jsou v literatuře vysoce citované, a to hodnocením jeho řešení a doby běhu. Výsledky ukazují, že námi navržený algoritmus úspěšně poskytl řešení s vyšší diverzitou a úrovní znalostí.

For more information:1950477648nn@gmail.com