Változatos és összefüggő csapatok nyomában: Számítási módszer a változatos csapatok tagokon alapuló összeállításához 8. rész

Ennek a munkának egy másik hozzájárulása az, hogy hasonló csapatkombinációkat találjanak, amelyeket az egyének összeállítanának, de fokozott diverzitási szintekkel. A korábbi tanulmányok szerint az emberek hajlamosak csapatokat alkotni kompetens egyénekből és az őket ismerőkkel, ami növeli a csapat iránti elégedettség és elkötelezettség valószínűségét [28, 82].

A csapatmunka nagyon fontos képesség a modern társadalomban. Lehetővé teszi több ember együttműködését egy projekt vagy feladat sikeres végrehajtásának elősegítése érdekében. A memória is nagyon fontos tulajdonság egy csapatban. Tehát mi a kapcsolat a csapat összetétele és a memória között?

Először is, a csapat összetételének a memóriára gyakorolt ​​hatása nyilvánvaló. A különböző emberek különböző készségekkel és szakértelemmel rendelkeznek, és a különböző kombinációk révén a csapat általános képességei maximalizálhatók. Ha minden tag maximalizálja erejét, akkor a csapat hatékonysága maximalizálható, ami egyben serkentheti az egyes tagok lelkesedését és kezdeményezőkészségét is, ezzel is javítva a csapat memóriáját.

Másodszor, a csapaton belüli kommunikáció szintén nagyon hasznos a memória javításában. Egy csapatban gyakori kommunikáció és együttműködés szükséges a tagok között, ami elősegíti a kommunikációt, és lehetővé teszi, hogy mindenki jobban megértse a projekt vagy feladat minden aspektusát. Az ismeretek és a feladatok megértésének kommunikáció révén történő elmélyítése nagymértékben javíthatja a memóriát.

Végül a csapat hangulata is hatással van a memóriára. A pozitív és szenvedélyes csapat segíthet a tagoknak fenntartani a jó hozzáállást, és mindenkit elkötelezettebbé és koncentráltabbá tehet a projektekre vagy feladatokra. Ez a pozitív légkör nagyon jótékony hatással van a memória javítására.

Összefoglalva: kapcsolat van a csapat összetétele és a memória között. Az ésszerű kombináció, a jó kommunikáció és a pozitív légkör révén a csapat a maximális szinergiát tudja kifejteni, javítva ezzel az általános memóriát. Ezért elengedhetetlen a jó csapatmunka, amely elősegítheti az egyéni képességek és a teljes csapat fejlődését, ami egyben a modern vállalkozások sikerének egyik fontos tényezője is. Látható, hogy javítanunk kell a memórián, a Cistanche deserticola pedig jelentősen javíthatja a memóriát, mert a Cistanche deserticola szabályozhatja a neurotranszmitterek egyensúlyát is, például növelheti az acetilkolin és a növekedési faktorok szintjét. Ezek az anyagok nagyon fontosak a memória és a tanulás szempontjából. Ezen túlmenően a hús javíthatja a véráramlást és elősegítheti az oxigénszállítást, ami biztosítja, hogy az agy elegendő tápanyagot és energiát kapjon, ezáltal javítva az agy vitalitását és állóképességét.

Kattintson a Ismerje meg a rövid távú memória javításának módját

Ezt a tényt bizonyítja a MyDreamTeam adatkészlet az önállóan összeállított csapatok alacsonyabb kommunikációs költségeinek és a véletlenszerűen generált csapatok magasabb kommunikációs költségeinek összehasonlításával.

A javasolt algoritmus olyan csapatkombinációkat talált, amelyek kommunikációs költsége alacsonyabb, mint az önállóan összeállított csapatoké, ami arra utal, hogy az embereknek van némi intuíciójuk a jól összekapcsolt csapatok kialakításában.

Hiányoznak azonban megbízható ismereteik az egymás közötti magasabb rendű kapcsolatokról. Az algoritmus által talált különbség lehetséges magyarázata az, hogy az egyének óriási kihívást jelentenek a közvetett kapcsolatok, például a megosztott kapcsolatok vagy a megosztott múltbeli munkatársak felfedezésében és kihasználásában.

Akár egyének állítják össze csapataikat, akár csapatépítők tervezik őket, a csapattagok közvetett kapcsolatainak figyelembe vétele nem könnyű feladat, mivel a közvetett kapcsolatok nem nagyon láthatóak.

Ezzel szemben a mi algoritmusunk kitűnik a tágabb közösségi hálózat struktúrájának figyelembevételével, tekintettel a tagok közötti kapcsolatok globális nézetére. Ennek az algoritmikus megközelítésnek a használatával az egyének és a menedzserek tudatosabbak lehetnek a potenciálisan sokféle csapattárssal kapcsolatban jelenlegi kapcsolataikon keresztül.

Még ha két csapattag nem is ismeri egymást közvetlenül, a közös "baráti baráttal" vagy közvetett kapcsolattal való összefogás potenciálisan elősegítheti az ismerősséget és a pszichológiai biztonságot a csapatokban [83–85].

Továbbá azt találtuk, hogy a MyDreamTeam önállóan összeállított csapatok kevésbé változatosak, mint az algoritmusok által véletlenszerűen generált csapatok. Ez a homofília által vezérelt tendencia összhangban van a korábbi irodalommal, jelezve, hogy az emberek szívesebben dolgoznak együtt másokkal, akik hasonló tulajdonságokkal rendelkeznek [65].

Ennek a csapatalakítási problémának a megfogalmazása új lehetőségeket kínál a csapatok sokszínűségének növelésére az önállóan összeállított csapatokkal szemben, miközben figyelembe veszi a csapattagok közötti nagyfokú ismeretséget. A csapatok ilyen módon történő kialakításának egyik fő előnye, hogy csökkenti az egyének előítéleteit.

Mivel az emberek természetükből adódóan a hasonló személyekből álló csapatok kialakítása felé hajlanak, a javasolthoz hasonló algoritmusok növelhetik az emberek döntéshozatali folyamatát.

Az egyének preferenciái által vezérelt kapcsolatok helyett az algoritmus kollektív koordinációt válthat ki jobb csapatkombinációk összeállításával, amelyek kielégíthetik az egyének elvárásait. Ez a többcélú megközelítés lehetővé teszi az emberek számára, hogy olyan megvalósítható megoldásokat találjanak, amelyek növelik a sokszínűséget anélkül, hogy veszélyeztetnék a csapat ismertségét.

Következmények

Ez a munka elméleti vonatkozásaival szolgál a csapatkutatáshoz. Különösen a számítási mechanizmusok alkalmazása a csapatalakítási folyamatok támogatására. A szakirodalom úgy jellemezte a csapatképzést, hogy a viselkedési mechanizmusokra összpontosít, ahol a csapatokat belső vagy külső erők állíthatják össze, és hasonlóság, ismertség és kompetencia alapján [28, 86].

Ennek a többcélú optimalizálási problémának a megfogalmazásával és megvalósításával olyan változatos és összefüggő csapatkombinációkat találtunk, amelyeket az egyének nem láthattak előre. Ez a munka lehetővé teszi a csapatkutatók számára, hogy átgondolják a technológiák szerepét az egyének és szervezetek közötti új szervezeti struktúrák létrehozásában, ami új elméletekhez vezethet a csapatképzésről és a technológiák bevezetéséről [38–40].

A tanulmány gyakorlati vonatkozásai hozzájárulnak ahhoz, hogy számos közösség fektessen be a csapatok sokszínűségének növelésébe: menedzserek, akik hatékony és változatos csapatokat állítanak össze, oktatók sokrétűbb diákcsapatokat, különböző üzleti egységekből heterogén csoportokat alkotó vállalatok, űrügynökségek, mint például a NASA, akik hosszú távú űrkutatáshoz űrszemélyzetet alkotnak. A Mars és a kutatók, akik a tudományos csoportok szervezésére szolgáló algoritmusok használatát vizsgálják.

Ennek az algoritmusnak a szélesebb közönségre való kiterjesztése új előnyökkel járhat azon csoportok számára, amelyek a sokszínűségre törekszenek, és magas szintű ismeretségi szintet tartanak fenn. Ezenkívül a szoftverfejlesztők és -tervezők felhasználhatják a tanulmány következményeit a mesterséges intelligenciára vonatkozó új eljárásokhoz és irányelvekhez a dolgozók szervezésében.

Végül ez a munka több számítási megközelítést kínál a csapatalakítási folyamatok gazdagításához [45, 87].

Mivel a csapatépítők nem tudják gyorsan megoldani ezt a problémát az egyes csapatkombinációk manuális ellenőrzésével, az algoritmusok automatizálhatják ezt a feladatot azáltal, hogy összehozzák azokat a tagokat, akik meglévő társadalmi kapcsolatokkal rendelkeznek, és ugyanakkor eltérő háttérrel, jellemzőkkel és szakértelemmel rendelkeznek[41, 42]. Reméljük, hogy ez a munka elősegíti a heterogén csapatok kialakítását, figyelembe véve a sokszínűséget és a közösségi hálózatokat.

Ennek a megközelítésnek egy másik tulajdonsága, hogy több célt ad hozzá a csapatalakítási problémához. A csapatépítők például minimalizálhatják az egyéb célfunkciókat, például a résztvevők közötti földrajzi távolságot, a személyi költségeket vagy a rendelkezésre állási korlátokat.

Hasonlóképpen, ez a többcélú probléma a tagok tulajdonságait is alkalmazhatja, ha a diverzifikáció nem kívánatos. Egyes korábbi meta-értékelések azt mutatják [14, 88], hogy egy hasonló egyénekből álló csapat kívánatos lehet az alacsony nehézségű feladatokhoz, vagy ha a hatékonyság (nem pedig a kreativitás) a cél.

Ezenkívül kívánatos lehet, hogy egyes tulajdonságok, például a személyiség vagy a szakértelem hasonlóak legyenek, semmint változatosak [89].

Ez a csapatalakítási probléma hozzáadhat egy másik célfüggvényt, amely minimalizálja a csapatok diverzitását bizonyos tulajdonságok tekintetében a Harrison és Klein által meghatározott mérőszámok segítségével [30]. Ezért ennek az algoritmusnak az egyik lehetséges felhasználási módja az, hogy maximalizálja egyes tagok attribútumaiban a diverzitást, miközben minimalizálja a diverzitást egyéb attribútumok.

Tekintettel ennek a többcélú megközelítésnek a rugalmas kompromisszumára, melyik megoldást kell fontolóra venniük a csapatépítőknek a Pareto oldalról? Más mutatók (pl. egyéni teljesítmény, csapatkohézió, tagok elhelyezkedése) beépítése segítheti a csapatépítőket egy adott csapatkombináció kiválasztásában.

Korlátozások és jövőbeli munka

Fontos tudomásul venni ennek az írásnak a korlátait. Először is, a diverzitásra és a kommunikációs költségekre vonatkozó mérőszámokat minden egyedi hálózatra szabták, és nem hasonlíthatók össze a résztvevők különböző csoportjai között.

Másodszor, a diverzitás mértéke több diverzitási mérőszám összesítése minden egyes mintavételezett attribútumhoz; így nehéz bármilyen valós jelentést hozzárendelni a diverzitási metrikához, kivéve az ugyanazon a hálózaton belüli relatív különbségeket. A jövőbeli megvalósítások során mérlegelni kell, hogy a különböző diverzitási intézkedések hogyan elemezhetők külön-külön és a résztvevők meghatározott körének megfelelően.

Ezek is mérlegelhetik a diverzitást a különböző dimenziókon, vagy operacionalizálhatják a diverzitási mérőszámokat az optimalizálási probléma különböző célfüggvényeiként. Harmadszor, a tudományos csapatok és a szoftveres csapatok létrehozása a valóságban bonyolultabb: idővel új tagok vehetők fel, bizonyos szakosodás szükséges, nem mindegyik csoportnak ugyanaz a célja, mérete vagy korlátozása, és a sokszínűség csak a célok szempontjából előnyös.

Úgy gondoljuk, hogy az utolsó két adatkészlet használata nem okozhat gondot, mivel ezeket csak az algoritmusok hatékonyságának és eredményeinek tesztelésére használjuk. Ez a csapatalakítási algoritmus sokrétűbb és összekapcsoltabb kombinációk megtalálásával irányíthatja a valódi tudományos és szoftveres csapatok kialakítását. Negyedszer, nem adunk konkrét ajánlásokat a demográfiai vagy funkcionális sokszínűségi attribútumokra vonatkozóan.

Korábbi tanulmányok kimutatták, hogy a sokszínűség csapatteljesítményre gyakorolt ​​hatásait hogyan közvetítik a kontextuális tényezők és a csapatfolyamatok [14]. Azoknak a csapatépítőknek, akik ezt az algoritmust kívánják adminisztrálni, át kell gondolniuk, és dönteniük kell demográfiai és kognitív változók hozzáadását szervezeti céljaiknak és konkrét környezetüknek megfelelően. Ötödször, a közösségi hálózatok adatainak gyűjtése nagy feladat lehet a csapatépítők számára.

Az emberek kapcsolatainak felmérése történhet felmérések készítésével, kommunikációs hálózatok vizsgálatával vagy digitális adatok nyomon követésével [90]. Egy másik lehetséges stratégia az egyének közösségi hálózatainak kiépítésére, ha megkérdezzük csapattársuk preferenciáit.

Az algoritmus az egyének válaszai alapján lehetséges változatos csapatkombinációkat talált [91]. Végül nem garantálható, hogy az ezzel az algoritmussal összeállított csapatok teljesítménye jobb lesz, mint a többi csapatalakítási stratégia.

Korábbi tanulmányok vegyes eredményeket mutattak a diverzitás közvetlen hatását a csapatteljesítményre minden kontextusban [14], valamint az algoritmikus megközelítések csapatalakításhoz való alkalmazásának előnyeit [92].

Más kutatások azt is kimutatták, hogy ha az egyéneknek nincs készségük a csapatok önálló összeállításához, kevésbé elkötelezettek a csoportjuk iránt [93, 94]. A jövőbeni munkának meg kell fontolnia ennek az algoritmusnak a használatát a valós csoportok összeállítására és annak értékelésére, hogy mennyire teljesítenek jól a véletlenszerűen vagy egy menedzser által kijelölt csapatokhoz képest.

A jövőbeni munkának új megszorításokkal kell kiegészítenie a többcélú funkciót, például figyelembe kell venni a csapatokban betöltött konkrét feladatköröket, minden csapathoz vezetőket kell hozzáadni, vagy kizárni bizonyos csapatkombinációkat, amelyekben egyes személyek nem akarnak együtt dolgozni.

A súlyozott hálózatok használata árnyaltabb információkat is nyújthat az emberek társas kapcsolatainak erősségéről. Az egyik lehetséges alkalmazás a gyakran interakcióba lépő egyének megkülönböztetése azoktól, akik alig beszélnek egymással [95]. A lehetséges fejlesztési területek egyik példája egy automatikus hangolás kifejlesztése az egyes sokféleség-attribútumokhoz rendelt súlyokhoz, adott populációhoz.

Ha az algoritmus feltárja az emberek kategorikus és numerikus tulajdonságait, mielőtt a csapatalakítási folyamatot lefolytatná, azonosítani tudná azokat a tulajdonságokat, amelyeknél nagyobb a variáció, és azokat, amelyek ritkán fordulnak elő az egyének között.

Ezután az algoritmus meghatározhatja az egyes diverzitásattribútumok fontosságát a célfüggvényben. Végül az algoritmus webes platformként is megvalósítható, hogy több lehetőséget biztosítson a menedzsereknek, oktatóknak vagy kutatóknak csapatok összeállítására.

Következtetés

Ez a munka a csoportok összeállításának problémájával foglalkozik egy közösségi hálózatból, amely maximalizálja a sokszínűséget és az ismertséget. Megfogalmaztunk egy többcélú függvényt erre a problémára, és megvalósítottunk egy genetikai algoritmust, hogy jól összekapcsolódó, változatos csapatokat találjunk. Egy alapos kísérleti kiértékelés során értékeltük a javasolt algoritmusunk teljesítményét, és összehasonlítottuk az alapszintű megközelítésekkel.

Megvitattuk az algoritmusok lehetséges szerepét a csapatösszeállítás bővítésében és a csapatépítők segítésében. A számítási megközelítések különösen használhatók olyan csapatok kialakítására, amelyek figyelembe veszik a közvetett kapcsolatokat, és magasabb diverzitási pontszámú kombinációkat javasolnak. Mivel az algoritmusok több megvalósítható csapatkombinációt tudnak felfedezni, mint az emberek, a csapatépítők döntései strukturáltabbá, szisztematikusabbá és átfogóbbá válhatnak.

Segítő információ

S1 fájl. Támogató ábrák és táblázatok. S1 ábra: Szimulációk a Diameter metrikával. S2 ábra: Szimulációk a Minimum Spanning Tree (MST) metrikával. S1 táblázat: Átmérő tok. S2Table: Minimum Spanning Tree Case. S3 táblázat: A csapatkombinációk átlagos komlóaránya. (PDF)

Hivatkozások

1. Ng ESW, Burke RJ. Személy-szervezeti illeszkedés és harc a tehetségekért: a diverzitásmenedzsment tesz különbséget? The International Journal of Human Resource Management. 2005; 16(7):1195–1210.https://doi.org/10.1080/09585190500144038

2. Hunt V, Layton D, Prince S. A sokszínűség számít. McKinsey & Company. 2015; 1(1):15–29.

3. Jackson SE, Joshi A. Munkacsoport sokszínűsége. In: APA kézikönyv az ipari és szervezeti pszichológiáról, 1. kötet: A szervezet építése és fejlesztése. Amerikai Pszichológiai Társaság; 2011. 651–686.

4. Barak MEM, Travis DJ. Társadalmi-gazdasági trendek: A sokféleség ökoszisztémájának kiszélesítése. In: The Oxfordhandbook of diversity and work. Oxford University Press; 2012. p. 393.

5. Mathieu JE, Hollenbeck JR, van Knippenberg D, Ilgen DR. Munkacsoportok évszázada a Journal of Applied Psychology-ban. Journal of Applied Psychology. 2017; 102(3):452. https://doi.org/10.1037/apl0000128 PMID: 28150984

6. Williams KY, O'Reilly CA III. Demográfia és sokszínűség a szervezetekben: A 40 éves kutatás áttekintése. Kutatás a szervezeti viselkedésről. 1998; 20:77–140.

7. Van Knippenberg D, De Dreu CK, Homan AC. Munkacsoport sokszínűség és csoportteljesítmény: integratív modell és kutatási menetrend. Journal of Applied Psychology. 2004; 89(6):1008. https://doi.org/10.1037/0021-9010.89.6.1008 PMID: 15584838

8. SE oldal. A sokszínűség bónusza: Milyen kifizetődő a nagyszerű csapatok a tudásalapú gazdaságban. Princeton University Press; 2019.

9. Vasilescu B, Posnett D, Ray B, van den Brand MGJ, Serebrenik A, Devanbu P és mások. Nemek és hivatali idők sokszínűsége a GitHub csapatokban. In: Proceedings of the 33. Annual ACM Conference on Human Factorsin Computing Systems. CHI'15. New York, NY, USA: Association for Computing Machinery; 2015.p. 3789–3798. Elérhető ekkortól:https://doi.org/10.1145/2702123.2702549.

For more information:1950477648nn@gmail.com