Meklējot daudzveidīgas un saistītas komandas: skaitļošanas pieeja dažādu komandu komplektēšanai, pamatojoties uz dalībniekiem 1. daļa

Abstrakts

Iepriekšējie pētījumi liecina, ka komandas ar dažādu pieredzi un prasmēm var pārspēt viendabīgas komandas. Tomēr cilvēki bieži dod priekšroku darbam ar citiem, kas viņiem ir līdzīgi un pazīstami, un viņiem neizdodas izveidot komandas ar augstu dažādības līmeni.

Starp pazīstamiem cilvēkiem un atmiņu pastāv ļoti ciešas attiecības. Pazīstami cilvēki ir mūsu ģimene, draugi, kolēģi utt. Šie cilvēki var būt milzīgs palīgs mūsu dzīvē, ne tikai sniedzot emocionālu atbalstu, bet arī pozitīvi ietekmējot mūsu atmiņu.

Pirmkārt, pazīstami cilvēki var kļūt par mūsu atmiņas nesēju. Sazinoties ar viņiem, uzlabojas mūsu koncentrēšanās spējas un garīgā aktivitāte, un mēs varam labāk atcerēties lietas. Sazinoties, mēs parasti pieminam lietas, kas viņiem ir aktuālas. Šīs lietas ir cieši saistītas ar mūsu dzīvi, tāpēc tās ir viegli atcerēties. Izmantojot šo informāciju, mēs varam labāk atsaukt atmiņā notikumus, kas saistīti ar tiem, kas palīdz uzlabot mūsu atmiņas spējas.

Otrkārt, pazīstami cilvēki var sniegt savstarpēju palīdzību. Piemēram, kad mēs kaut ko aizmirstam, mēs varam viņiem pajautāt. Ja mums ar šo personu ir labas attiecības, iespējams, viņš varēs sniegt kādu informāciju vai padomus, kas palīdzēs mums labāk atcerēties lietas.

Visbeidzot, pazīstami cilvēki var sniegt emocionālu atbalstu. Kad mēs saskaramies ar grūtībām vai neveiksmēm, viņu atbalsts var palīdzēt mums labāk tikt galā. Tas palīdz mums saglabāt pozitīvu attieksmi un uzlabo atmiņu.

Ikdienas dzīvē mums ir jāuztur kontakti ar pazīstamiem cilvēkiem un jāizveido labas attiecības. Tādā veidā mēs varam stiprināt savas atmiņas prasmes, lai labāk pārvaldītu savu dzīvi. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var ievērojami uzlabot atmiņu, jo Cistanche deserticola ir tradicionāls ķīniešu ārstniecības materiāls, kam ir daudz unikālu efektu, no kuriem viens ir atmiņas uzlabošana. Maltās gaļas iedarbīgumu nodrošina dažādas tajā esošās aktīvās sastāvdaļas, tostarp skābe, polisaharīdi, flavonoīdi utt. Šīs sastāvdaļas var dažādos veidos veicināt smadzeņu veselību.

Noklikšķiniet uz zināt 10 veidus, kā uzlabot atmiņu

Mēs pētām komandas veidošanas problēmu, ņemot vērā cilvēku kopumu ar dažādām prasmēm un īpašībām, kā arī sociālo tīklu, kas atspoguļo šo personu pazīstamību. Mērķis ir visas personas iedalīt dažādās komandās, pamatojoties uz viņu sociālajiem sakariem, tādējādi ļaujot viņiem saglabāt zināmu pazīstamības līmeni.

Mēs formulējam šo komandas veidošanas problēmu kā vairāku mērķu optimizācijas problēmu, lai sadalītu dalībniekus labi savienotās un daudzveidīgās komandās sociālajā tīklā.

Mēs īstenojam šo problēmu, izmantojot nedominējošo šķirošanas ģenētisko algoritmu II (NSGA-II), kas atrod komandas kombinācijas ar augstu pazīstamības un daudzveidības līmeni O(n2) laikā. Mēs pārbaudījām šo algoritmu trīs empīriski savāktās komandas veidošanas datu kopās un pret trim etalonu algoritmiem.

Eksperimentālie rezultāti apstiprina, ka piedāvātais algoritms veiksmīgi izveidoja komandas, kurām ir gan dalībnieku atribūtu dažādība, gan iepriekšējie savienojumi starp dalībniekiem. Mēs apspriežam priekšrocības, ko sniedz skaitļošanas pieejas, lai palielinātu komandas veidošanu un sastāvu.

Ievads

Komandu veidošana mūsdienās atšķiras no iepriekšējām desmitgadēm. Mūsdienās organizācijas un institūcijas cenšas veidot grupas, balstoties ne tikai uz dalībnieku zināšanām, bet arī uz dažādības kritērijiem [1,2].

Tā kā darbaspēks kļūst arvien daudzveidīgāks, arvien vairāk organizāciju apņemas vienā komandā pulcēt dalībniekus ar dažādu izglītību, funkcionāliem apstākļiem un demogrāfiskiem atribūtiem [3, 4].

Daudzi pētījumi parāda iespējamos ieguvumus no dažādības komandās [5, 6]. Identitātes līmenī pētījumi liecina, ka demogrāfiskā daudzveidība — dažādu dzimumu, kultūru, rasu utt. komandas locekļi — var uzlabot komandas sniegumu.

Demogrāfiskās daudzveidības kultivēšana komandās var radīt dažādas demogrāfiskajai grupai raksturīgās iezīmes, viedokļus un pieredzi [7, 8]. Daži piemēri ir dzimumu dažādība, kas veicina programmatūras izstrādes komandu produktivitāti [9], komandu kolektīvais intelekts [10], un inovācijas pētniecības un attīstības grupās [11]. Viens pētījums parādīja, ka rasu daudzveidība var radīt arī alternatīvas perspektīvas un stimulēt radošumu, radot oriģinālākas un konkurētspējīgākas idejas [12].

Vēl viens piemērs ir kultūras daudzveidība: tā palīdz komandām sasniegt radošākus rezultātus nekā kultūras ziņā viendabīgām komandām [13]. Kognitīvā līmenī komandas ar augstu funkcionālās daudzveidības līmeni, tas ir, komandas locekļi ar atšķirīgu pieredzi, karjeru un pieredzi, var nodrošināt oriģinālākus un radošākus rezultātus.

Funkcionālās daudzveidības veicināšana var uzlabot radošumu, jo tā paplašina informācijas, zināšanu, ideju un perspektīvu klāstu komandā [14]. Tas arī veicina atšķirīgu domāšanu, plašāku prasmju apjomu un ideju rekombināciju [15, 16].

Rezultātā funkcionāli daudzveidīgas komandas biežāk risina sarežģītas problēmas, kas prasa radošumu un inovācijas, nekā viendabīgas grupas [2, 8, 16]. Kopumā demogrāfiskās un funkcionālās daudzveidības mijiedarbībai ir nozīme tajā, kā komandas locekļu atšķirības ietekmē viņu darbu un sniegumu[7].

Neraugoties uz potenciālajiem ieguvumiem no dažādības komandās, pētījumi arī liecina, ka dažādība ir "abpusgriezīgs zobens" [17]. Iepriekšējie pētījumi piedāvā dažādus un pat pretrunīgus rezultātus par dažādības ietekmi uz komandām [14, 17, 18].

Lai gan funkcionālā daudzveidība var izraisīt koordinācijas problēmas un konfliktus grupā apmācību un zināšanu atšķirību dēļ, demogrāfiskā daudzveidība var izraisīt dalībnieku savstarpēju neobjektivitāti (ti, atšķirību "mēs-viņi") [19], izraisot kohēzijas, komunikācijas un uzticība [20–22].

Gadu desmitiem organizācijas ir veicinājušas dažādības apmācību, lai palīdzētu dalībniekiem strādāt ar citiem, kas atšķiras no viņiem. Tomēr, ja cilvēki tiek norīkoti strādāt daudzveidīgā komandā, viņi mazāk iesaistās komandā un ir mazāk motivēti strādāt ar komandas biedriem, kas atšķiras no viņiem. demogrāfiskajos vai funkcionālajos atribūtos [23].

Viens no iespējamiem risinājumiem, lai mazinātu dažādības nelabvēlīgo ietekmi uz komandām, ir komandas iepazīšanās nodrošināšana (ti, komandas locekļu iepriekšējā pieredze darbā ar otru). Liela daļa literatūras liecina, ka iepriekšēja sadarbība palielina veiksmes un turpmākās sadarbības iespējamību [24–26].

Komandas iepazīšanās rada pamatus uzticībai, informācijas izplatīšanai un komunikācijai starp dalībniekiem [27, 28]. Un tā kā komandas iepazīšanās palīdz dalībniekiem atrast, koplietot un izplatīt savas zināšanas, komandas iepazīšana var atrisināt daudzas problēmas, ko rada dažādība, neapdraudot tās iespējamos ieguvumus [29].

Vai organizācijas var apvienot komandas ar augstu dažādības līmeni un pārzināšanu vienlaikus?
Tā vietā, lai veidotu komandas, pamatojoties uz dažādības kritērijiem vai iepriekšējām attiecībām, abu apvienošana var palīdzēt dalībniekiem veicināt uzticēšanos un organizācijām padarīt daudzveidības priekšrocības vēl nozīmīgākas [29]. Šajā darbā mēs piedāvājam skaitļošanas pieeju, lai atklātu piemērotas komandu kombinācijas, kas vienlaikus palielina komandas dažādību un pārzināšanu.

Mēs izvēlējāmies šos divus komandu raksturlielumus, jo abus var noteikt komandas veidošanas procesā. Tā kā šim uzdevumam ir jānovērtē visas iespējamās kombinācijas starp pieejamajiem dalībniekiem, jāizstrādā optimizācijas problēma un tās algoritmu ieviešana, lai efektīvi atrastu nenovērtējamas komandas kombinācijas.

Mēs formulējam šo komandas veidošanas problēmu kā vairāku mērķu optimizācijas problēmu, lai apvienotu komandas, vienlaikus palielinot to dažādību un pazīstamību.

Mēs izmantojam Harisonanda Kleina sistēmu [30], lai aprēķinātu komandu dažādību, pamatojoties uz atribūtu dažādību un atšķirību, un mēs izmantojam Kargara un An komunikācijas izmaksu metriku [31], lai aprēķinātu komandu pazīstamību, pamatojoties uz dalībnieku sociālo tīklu struktūru [32].

Pēc tam mēs īstenojam šo problēmu, izmantojot nedominējošo šķirošanas ģenētisko algoritmu II (NSGA-II).

Šī ieviešana ir piemērota, jo tā nodrošina efektīvu komandu kombināciju kopumu un ņem vērā dažādu mērķu kompromisus. Mēs demonstrējam savas pieejas efektivitāti, izmantojot trīs datu kopas, kas satur informāciju par dalību komandā: (1) studenti, kas paši veido komandas, izmantojot MyDreamTeam platformu [33], (2) zinātnieki, kas līdzautore dokumentiem, ko nodrošina BibSonomydataset [34], un (3) ) komandas, kas sadarbojas ar GitHub, ko nodrošina GHTorrent datu kopa [35].

Mēs novērtējam mūsu piedāvāto algoritmu salīdzinājumā ar citām literatūrā ļoti pieminētām vairāku mērķu optimizācijas metodēm, novērtējot tā risinājumus un darbības laiku. Rezultāti parāda, ka mūsu piedāvātais algoritms veiksmīgi nodrošināja risinājumus ar augstāku dažādības un pazīstamības līmeni.

For more information:1950477648nn@gmail.com