Erilaisia ​​ja toisiinsa yhteydessä olevia tiimejä etsinnässä: laskennallinen lähestymistapa erilaisten ryhmien kokoamiseen jäsenten perusteella Osa 2

Tämän artikkelin tärkein panos on tiiminmuodostusongelman muotoilu ottaen huomioon ryhmien monimuotoisuus ja jäsenten tuntemus samanaikaisesti.

Jäsenten tuntemus ja muisti liittyvät erottamattomasti toisiinsa. Työssä, varsinkin tiimissä, jäsenten välinen tuttavuus määrää suoraan tiimin tehokkuuden ja työn laadun.

Jäsenten tuntemusaste vaikuttaa suoraan tiimin hiljaiseen ymmärrykseen ja yhteistyöhön. Jos olette tuttuja, voit jättää pois paljon vaikeasti ilmaistavia sanoja ja ryhtyä suoraan töihin, mikä parantaa työn tehokkuutta. Jos jäsenet eivät tunne toisiaan, kommunikointi kestää yleensä kauemmin ja pienistä väärinkäsityksistä voi syntyä tarpeettomia ristiriitoja ja erimielisyyksiä.

Lisäksi jäsenten välinen tuttuus vaikuttaa suoraan myös muistiin. Tutkimukset osoittavat, että ihmiset muistavat todennäköisemmin tuttuja ihmisiä ja asioita, koska tieto herättää todennäköisemmin kiinnostuksemme ja huomiomme. Ryhmätyössä, jos jäsenet tuntevat toisensa, on helpompi muistaa toistensa toiveet ja tarpeet ja välttää työn etenemistä haittaavia muistivirheitä.

Siksi tiimin jäsenten tulee pyrkiä lisäämään toistensa tuntemusta ja lisäämään keskinäistä ymmärrystä ja kommunikaatiota erilaisten tilaisuuksien kautta. Yhteisten harrastusten, kommunikoinnin ja yhteistyön kautta voidaan solmia läheisempiä ihmissuhteita, mikä parantaa tiimiyhteistyötä ja työn tehokkuutta sekä tehostaa työtä. Voidaan nähdä, että meidän on parannettava muistia, ja Cistanche deserticola voi parantaa muistia merkittävästi, koska Cistanche deserticola on perinteinen kiinalainen lääkeaine, jolla on monia ainutlaatuisia vaikutuksia, joista yksi on parantaa muistia. Jauhetun lihan teho perustuu sen sisältämiin erilaisiin vaikuttaviin ainesosiin, mukaan lukien happo, polysakkaridit, flavonoidit jne. Nämä ainesosat voivat edistää aivojen terveyttä monin tavoin.

Napsauta Tiedä 10 tapaa parantaa muistia

Vaikka useimmat tiiminmuodostusalgoritmeja koskevat tutkimukset ovat pitäneet jäsenten taitoja tai henkilökohtaisia ​​kustannuksia tiiminmuodostuksen tavoitefunktioina [36], muotoilemme tämän optimointiongelman monimuotoisuuden erilaisiin operaatioihin (eli attribuuttien eroihin ja monimuotoisuuteen) perustuen. Tämän työn toinen panos on algoritmien suunnittelu tälle tiiminmuodostusongelmalle, joka määrittää käytettävissä olevat henkilöt tiimiin.

Aiemmat joukkueen muodostusongelmat ovat keskittyneet pääasiassa parhaan joukkueen löytämiseen poolista ja jäljellä olevien henkilöiden erottamiseen [36, 37]. Tämä työ tarjoaa myös teoreettisia vaikutuksia ryhmätutkimukseen.

Erityisesti laskennallisten mekanismien käyttö tiiminmuodostusprosessien tukena [38–40]. Tämän tutkimuksen käytännön vaikutukset edistävät sitä, että useat yhteisöt ovat panostaneet tiimien monimuotoisuuden lisäämiseen.

Koska tiiminrakentajat eivät pysty ratkaisemaan tätä ongelmaa nopeasti tarkistamalla manuaalisesti jokaista tiimiyhdistelmää, algoritmit voivat automatisoida tämän tehtävän kokoamalla yhteen jäsenet, joilla on olemassa olevia sosiaalisia yhteyksiä, mutta samalla eri taustoista, ominaisuuksista ja asiantuntemustasoista [41, 42].

Tämän algoritmin käytön laajentaminen laajemmalle yleisölle voisi tarjota uusia etuja ryhmille, jotka pyrkivät omaksumaan monimuotoisuuden ja säilyttämään korkean perehtymisen.

Tämä artikkeli on laajennettu ja tarkistettu versio Complex Networks 2020:ssa [43] esitetystä alustavasta konferenssijulkaisusta.

Verrattuna konferenssin artikkeliin tämä versio (a) esittää katsauksen ryhmän muodostusalgoritmeihin, (b) laajentaa ehdotetun ryhmän muodostusongelman ja algoritmin määritelmiä ja pseudokoodeja, (c) päivittää ehdotetun algoritmin käsittelemään yksittäisiä henkilöitä ja kun käytettävissä olevien henkilöiden määrä ei ole tiimin koon kerrannainen, (d) arvioi algoritmin kolmen tietojoukon avulla osoittaakseen, että optimointiongelmamme voi toimia muilla tiiminmuodostusalueilla, (e) vertaa sen suorituskykyä muihin vertailualgoritmiin, joissa on useita tavoitealgoritmeja, (f) käyttää kvantitatiivisia mittareita algoritmien tulosten vertaamiseen, (g) tarkentaa tämän työn tuloksia ja vaikutuksia tutkijoille ja alan ammattilaisille ja (h) tarjoaa komentosarjat tietojoukkojen esikäsittelyä varten, esikäsitellyt tietojoukot ja komentosarjat ehdottamamme algoritmimme ja vertailualgoritmimme toistettavuustarkoituksiin.

Liittyvä työ

Tietojenkäsittelytieteen tutkijat ovat kehittäneet erilaisia ​​lähestymistapoja ryhmätehtävien ongelman ratkaisemiseksi [36, 44, 45]. Scholarship on päätellyt, että tehokkaimpien ryhmäyhdistelmien löytäminen yksilöiden joukosta on haastava laskennallinen ongelma, ja sitä on yksilöiden vielä vaikeampi ratkaista manuaalisesti.

Se on monimutkainen tehtävä, joka vaatii arvioimaan kaikki mahdolliset yhdistelmät poolin jäsenten välillä, mikä voi muodostua ylitsepääsemättömäksi kombinatoriseksi haasteeksi. Kun otetaan huomioon n jäsenen joukko, joka on jaettava k-koon ryhmiin, meidän on laskettava iteratiivinen permutaatio, jossa voimme valita ensimmäiset k jäsentä joukosta n, sitten muut k jäsentä ryhmästä n − k ja niin edelleen. Olettaen, että k on n:n kerrannainen, meidän on laskettava n/k permutaatiota.

Tämän seurauksena meidän on laskettava n!/(k!n/k�(n/k)!) mahdollista joukkueyhdistelmää n jäsenen poolille. Jos haluamme koota kolmen koon joukkueet 18 opiskelijan luokasta, mahdollisia yhdistelmiä on 190 590 400 (18!/(3! 6�6!)). Nämä yhdistelmät arvioidaan tekijäajassa (eli O(n!)). Siksi tätä tehtävää ei voida suorittaa inpolynomiajalla ja vaatii erilaisia ​​lähestymistapoja ratkaisujen löytämiseksi tehokkaasti.

Viimeaikaiset kirjallisuuskatsaukset [36, 37, 46] luonnehtivat tiiminmuodostusalgoritmeja kolmen pääulottuvuuden mukaan: (i) algoritmin tuloksena syntyvien tiimien lukumäärä, (ii) algoritmin huomioimat jäsenten attribuutit ja (iii) lukumäärä algoritmin huomioimista tavoitefunktioista.

Joukkueiden lukumäärä

Useimmat ratkaisut ehdottavat parhaan mahdollisen tiimin löytämistä tietystä henkilöjoukosta. "Parhaan tiimin" lähestymistapa pitää tiimin muodostusongelmaa yleensä toimeksiantoongelmana, jossa tavoitteena on löytää parhaat jäsenet, jotka pystyvät kokoamaan joukkueen.

Tärkeimmät panokset tähän kirjallisuuteen perustuvat metodologian innovaatioihin. Esimerkiksi El-Ashmawi et ai. [47] etsi ryhmää, jolla oli vähiten viestintäkustannuksia tiimin jäsenten kesken käyttämällä hiukkasparven optimointialgoritmin toteutusta. Bhowmik et ai. [48] ​​kehitti tiiminmuodostusalgoritmin käyttämällä submodulaarista funktion optimointia.

Tämä toteutus löytää parhaan asiantuntijaryhmän, jolla on kevennetyt rajoitteet: tiimeillä "täytyy" olla joitain taitoja, kun taas heillä "pitäisi" olla muita. Lopuksi Keane et ai. [49] käyttää ryhmän muodostusalgoritmia, joka käyttää gradienttia tehostavaa kehystä löytääkseen minimaalisen tiimin asiantuntijoiden kanssa, jotka voivat työskennellä tehokkaasti yhdessä. Näiden menetelmien rajoitus on, että ne tarjoavat vain yhden "parhaan" tiimin useiden ryhmien sijaan, jotka sisältävät kaikki jäsenet käytettävissä olevasta poolista.

Muutamat tutkimukset ovat selvittäneet ongelmaa, joka liittyy kaikkien käytettävissä olevien henkilöiden ryhmittelyyn. Oneapproach muodostaa useita tiimejä iteratiivisen heuristiikan avulla. Tässä tapauksessa joukkueet kootaan poimimalla poolista k jäsentä tavoitefunktion mukaan, kunnes yhtään jäsentä ei jää ilman joukkuetta.

Yksi esimerkki on Agrawal et ai. [50], joka ehdotti heuristisia goritmeja hyödyn maksimoimiseksi (tai kustannusten minimoimiseksi), joka koottiin kaikkien käytettävissä olevien henkilöiden joukosta koottuissa ryhmissä.

Tämä artikkeli esittelee kaksi iteratiivista heuristista algoritmia, jotka yhdistävät "vahvat" jäsenet muiden "heikompien" kanssa. Tämän seurauksena asiantuntijat jakautuvat useiden ryhmien kesken. Toinen lähestymistapa on muotoilla tiiminmuodostusongelma osioongelmaksi. Henkilöryhmä on jaettu ryhmiin käyttämällä heuristisia mittareita kaikille kootuille ryhmille.

Jotkut toteutukset käyttävät klusterointialgoritmeja, joiden tarkoituksena on löytää jäseniä, joilla on samanlaiset ominaisuudet. Joitakin esimerkkejä ovat Nurjanahin et al.:n toteutus [51], joka käyttää Fuzzy C-Means -työkalua yksilöiden ryhmittämiseen homogeenisiin ryhmiin [51], ja Srban ja Bielikovan toteutus [52], joka klusteroi opiskelijat erityisten yhteistyöominaisuuksien mukaan.

Kolmas lähestymistapa on löytää tehokkaita ryhmäyhdistelmiä evolutionaaristen algoritmien avulla [53, 54]. Lyhyesti sanottuna evolutionaariset algoritmit alkavat jakaa kaikki jäsenet satunnaisiin ryhmiin ja muuttaa sitten yksilöiden jäsenyyksiä iteratiivisesti löytääkseen parempia joukkueyhdistelmiä. Kun yhdistelmät on arvioitu määritettyjen tavoitefunktioiden avulla, evoluutioalgoritmit säilyttävät parhaat ryhmäyhdistelmät löytääkseen uusia yhdistelmiä seuraavassa iteraatiossa.

Yksi esimerkki on Agustı´n-Blas et al. [53], joka kehitti geneettisen algoritmin, joka järjestää yksilöt ryhmiin ja etsii ryhmäyhdistelmiä, jotka maksimoivat ryhmien tarvitsemat resurssit.

Jäsenten ominaisuudet

Toinen ulottuvuus keskittyy algoritmin tarkastelemiin jäsenten ominaisuuksiin. Algoritmit pyrkivät löytämään jäseniä, jotka maksimoivat tietyt joukkueen ominaisuudet, kuten jäsenten välisten sosiaalisten yhteyksien määrän tai tiimin kattamien taitojen määrän.

Useimmat algoritmit asettavat taitojen (tai asiantuntemuksen) läsnäolon tiimissä päätavoitteeksi. Esimerkki tästä lähestymistavasta on Zakarianin ja Kusiakin algoritmi [55], joka käyttää matemaattista ohjelmointia löytääkseen jäseniä, jotka antavat tiimille tietyn taidon.

Muut laskennalliset toteutukset ehdottavat jäsenten jakamista heidän roolinsa mukaan. Tähän lähestymistapaan perustuva algoritmi on Yannibelli et al. [56], joka kehitti evolutionaarisen lähestymistavan, joka kokoaa opiskelijatiimejä jakamalla jäsenille tiettyjä rooleja.

Lisäksi algoritmit voivat sisältää jäsenten sosiaaliset verkostot ryhmiä muodostettaessa. Lappas et ai. [57] Etsi paras joukkue, jolla on alhaisin sosiaalinen etäisyys jäsenistä (eli viestintäkulujen korvike).

Tässä artikkelissa ehdotetaan kahta algoritmia nimeltä "Rarest First" ja "Enhanced Steiner". Ottaen huomioon ongelman koota paras k-kokoinen tiimi jäsenistä, joilla on taidot ratkaista tehtävä T sosiaalisesta verkostostaG, ensimmäinen algoritmi etsii pienimmän mahdollisen graafin halkaisijan k jäseneltä, joilla on taidot ratkaista T. Toinen algoritmi etsii pienimmälle reunojen osajoukolle, joka yhdistää k jäsentä taidot ratkaista T (eli minimi virittävä puu).

Molemmat algoritmit pyrkivät löytämään parhaan mahdollisen tiimin tietylle sosiaaliselle verkostolle. Muut toteutukset pitävät henkilöstökustannuksia, jäsenten saatavuutta ja työtaakan tasapainoa jäsenten välillä osana tiiminmuodostusongelmaa [58].

For more information:1950477648n@gmail.com