В поисках разнообразных и связанных команд: вычислительный подход к созданию разнообразных команд на основе участников. Часть 8

Еще одним вкладом этой работы является поиск подобных командных комбинаций, которые могли бы собрать отдельные люди, но с повышенным уровнем разнообразия. Как показали предыдущие исследования, люди склонны формировать команды из компетентных людей и тех, кто с ними знаком, что повышает вероятность удовлетворения и приверженности команде [28, 82].

Работа в команде – очень важная способность в современном обществе. Это позволяет нескольким людям работать вместе, чтобы способствовать успешному завершению проекта или задачи. Память также является очень важным качеством в команде. Так как же связаны состав команды и память?

Во-первых, влияние состава команды на память очевидно. Разные люди обладают разными навыками и опытом, и с помощью различных комбинаций можно максимизировать общие возможности команды. Когда каждый участник максимально использует свои сильные стороны, можно максимизировать эффективность команды, что также может стимулировать энтузиазм и инициативу каждого члена, тем самым помогая улучшить память команды.

Во-вторых, общение в коллективе тоже очень помогает улучшению памяти. В команде между членами требуется частое общение и сотрудничество, что способствует общению и позволяет каждому лучше понять все аспекты проекта или задачи. Углубление знаний и понимания задач посредством общения может значительно улучшить память.

Наконец, определенное влияние на память оказывает и командная атмосфера. Позитивная и страстная команда может помочь членам сохранить хорошее отношение и сделать всех более вовлеченными и сосредоточенными на проектах или задачах. Эта позитивная атмосфера очень полезна для улучшения памяти.

Таким образом, существует связь между составом команды и памятью. Благодаря разумному сочетанию, хорошему общению и позитивной атмосфере команда может добиться максимальной синергии, улучшая тем самым общую память. Поэтому необходима хорошая командная работа, которая может способствовать развитию индивидуальных способностей и развитию всего коллектива, что также является одним из важных факторов успеха современных предприятий. Видно, что нам необходимо улучшить память, а Cistanche Deserticola может значительно улучшить память, поскольку Cistanche Deserticola также может регулировать баланс нейротрансмиттеров, например, повышая уровень ацетилхолина и факторов роста. Эти вещества очень важны для памяти и обучения. Кроме того, мясо также может улучшить кровоток и способствовать доставке кислорода, что может гарантировать, что мозг получает достаточное количество питательных веществ и энергии, тем самым повышая жизнеспособность и выносливость мозга.

Нажмите Знать кратковременную память, как ее улучшить.

Этот факт продемонстрирован в наборе данных MyDreamTeam путем сравнения более низких затрат на связь в самособранных командах и более высоких затрат на связь в случайно созданных командах.

Предложенный алгоритм обнаружил комбинации команд с меньшими затратами на общение, чем команды, собираемые самостоятельно, что позволяет предположить, что люди обладают некоторой интуицией при формировании команд с хорошими связями.

Однако у них нет надежных знаний о связях высшего порядка между собой. Возможным объяснением этой разницы, обнаруженной алгоритмом, является огромная проблема, с которой людям приходится обнаруживать и использовать в своих интересах косвенные связи, такие как общие контакты или общие коллеги из прошлого.

Независимо от того, собирают ли свои команды отдельные люди или их разрабатывают создатели команд, учет косвенных связей членов команды — непростая задача, поскольку косвенные связи не очень заметны.

Напротив, наш алгоритм превосходно учитывает более широкую структуру социальной сети с учетом глобального взгляда на отношения между ее участниками. Используя этот алгоритмический подход, люди и менеджеры могут лучше осознавать потенциально разнообразных товарищей по команде в своих текущих отношениях.

Даже если два члена команды не знают друг друга напрямую, объединение с общим «другом» или непрямая связь потенциально может способствовать знакомству и психологической безопасности в командах [83–85].

Более того, мы обнаружили, что самособранные команды MyDreamTeam менее разнообразны, чем команды, случайно созданные алгоритмами. Эта тенденция, вызванная гомофилией, согласуется с предыдущими литературными данными, указывающими на то, что люди предпочитают объединяться с другими людьми, имеющими схожие характеристики [65].

Формулировка этой проблемы формирования команды предоставляет новые возможности для повышения разнообразия команд по сравнению с самособранными командами, сохраняя при этом высокую степень знакомства между членами команды. Одним из главных преимуществ формирования команд таким образом является уменьшение предубеждений отдельных лиц.

Поскольку люди естественным образом склонны формировать команды из похожих людей, такой алгоритм, как предлагаемый, может улучшить процесс принятия решений людьми.

Вместо связей, основанных на индивидуальных предпочтениях, алгоритм может осуществлять коллективную координацию, создавая лучшие комбинации команд, которые могут удовлетворить ожидания людей. Этот многокритериальный подход может позволить людям находить возможные решения, которые увеличивают разнообразие, не ставя под угрозу знакомство в команде.

Подразумеваемое

Эта работа обеспечивает теоретические последствия для групповых исследований. В частности, использование вычислительных механизмов для поддержки процессов формирования команд. В литературе формирование команды охарактеризовано как основанное на поведенческих механизмах, где команды могут быть собраны с помощью внутренних или внешних сил и на основе сходства, знакомства и компетентности [28, 86].

Сформулировав и реализовав эту многокритериальную задачу оптимизации, мы обнаружили разнообразные и связанные комбинации команд, которые отдельные люди не могли предвидеть. Эта работа позволяет исследователям команд задуматься о роли технологий в создании новых организационных структур среди отдельных лиц и организаций, что может привести к новым теориям формирования команд и внедрению технологий [38–40].

Практические последствия этого исследования способствуют тому, что несколько сообществ инвестируют в увеличение разнообразия команд: менеджеры собирают эффективные и разнообразные команды, преподаватели составляют более разнообразные студенческие команды, компании формируют разнородные группы из разных бизнес-подразделений, космические агентства, такие как НАСА, формируют составные космические экипажи для длительных космических исследований с целью Марс и исследователи, исследующие использование алгоритмов для организации научных групп.

Распространение использования этого алгоритма на более широкую аудиторию может предоставить новые преимущества группам, которые стремятся принять разнообразие и поддерживать высокий уровень знакомства. Кроме того, разработчики и дизайнеры программного обеспечения могут использовать результаты этого исследования для разработки новых процедур и рекомендаций по использованию искусственного интеллекта в организации работников.

Наконец, эта работа предлагает больше вычислительных подходов для улучшения процессов формирования команд [45, 87].

Поскольку создатели команд не могут быстро решить эту проблему, вручную проверяя каждую комбинацию команд, алгоритмы могут автоматизировать эту задачу, объединяя членов, которые обладают существующими социальными связями и в то же время имеют различный опыт, характеристики и уровни опыта[41, 42]. Мы ожидаем, что эта работа поможет сформировать разнородные команды с учетом разнообразия и социальных сетей.

Еще одним качеством этого подхода является добавление дополнительных целей к проблеме формирования команды. Например, создатели команд могут минимизировать другие целевые функции, такие как географическое расстояние между участниками, затраты на персонал или ограничения доступности.

Аналогичным образом, эта многоцелевая проблема может учитывать особенности членов, когда диверсификация нежелательна. Как показывают некоторые предыдущие мета-обзоры [14, 88], наличие команды из схожих людей может быть желательным для задач низкой сложности или когда целью является эффективность (а не креативность).

Более того, может быть желательно, чтобы некоторые черты, такие как личность или опыт, были похожими, а не разными [89].

Эта проблема формирования команды может добавить еще одну целевую функцию, которая минимизирует разнообразие команд по некоторым характеристикам с использованием показателей, определенных Харрисоном и Кляйном [30]. Следовательно, одним из потенциальных применений этого алгоритма является максимизация разнообразия в атрибутах некоторых членов при минимизации разнообразия в другие атрибуты.

Учитывая гибкий компромисс этого многоцелевого подхода, какое решение следует рассмотреть создателям команд с точки зрения Парето? Включение других показателей (например, индивидуальная производительность, сплоченность команды, расположение участников) может помочь создателям команды выбрать одну конкретную команду.

Ограничения и будущая работа

Важно признать ограничения этой статьи. Во-первых, показатели разнообразия и затрат на связь были масштабированы специально для каждой уникальной сети и не могут сравниваться между различными группами участников.

Во-вторых, мера разнообразия представляет собой совокупность нескольких показателей разнообразия для каждого выбранного атрибута; таким образом, трудно придать метрике разнообразия какой-либо реальный смысл, кроме относительных различий внутри одной и той же сети. Будущие реализации должны учитывать, как различные меры разнообразия могут быть проанализированы отдельно и в соответствии с конкретным пулом участников.

Они также могут взвешивать разнообразие по различным измерениям или использовать метрики разнообразия как различные целевые функции в задаче оптимизации. В-третьих, формирование научных групп и команд разработчиков программного обеспечения на самом деле более сложная задача: со временем могут добавляться новые члены, требуется некоторая специализация, не все эти команды преследуют одни и те же цели, размеры или ограничения, а разнообразие может быть полезным только для достижения определенных целей.

Мы считаем, что использование последних двух наборов данных не должно вызывать беспокойства, поскольку мы используем их только для проверки эффективности и результатов алгоритмов. Этот алгоритм формирования команды может помочь в формировании настоящих научных и программных команд, находя более разнообразные и связанные комбинации. В-четвертых, мы не даем конкретных рекомендаций по атрибутам демографического или функционального разнообразия.

Предыдущие исследования показали, как влияние разнообразия на производительность команды опосредовано контекстуальными факторами и командными процессами [14]. Создатели команд, которые хотят управлять этим алгоритмом, должны подумать и принять решение о добавлении демографических и когнитивных переменных в соответствии с целями своей организации и конкретным контекстом. В-пятых, сбор данных из социальных сетей может стать большой задачей для создателей команд.

Оценить взаимоотношения людей можно путем проведения опросов, изучения сетей связи или отслеживания цифровых данных [90]. Другая потенциальная стратегия создания социальных сетей — это расспрашивать о предпочтениях своих товарищей по команде.

Алгоритм может находить возможные разнообразные комбинации команд на основе ответов отдельных людей [91]. Наконец, невозможно гарантировать, что производительность команд, собранных с помощью этого алгоритма, будет лучше, чем при использовании других стратегий формирования команд.

Предыдущие исследования показали неоднозначные результаты о прямом влиянии разнообразия на производительность команды во всех контекстах [14], а также о преимуществах использования алгоритмических подходов для формирования команды [92].

Другие исследования также показали, что когда людям не хватает свободы действий для самостоятельного создания команд, они менее преданы своей группе [93, 94]. В будущей работе следует рассмотреть возможность использования этого алгоритма для сбора реальных групп и оценки их эффективности по сравнению с командами, назначенными случайным образом или менеджером.

Будущая работа должна добавить новые ограничения к многоцелевой функции, такие как рассмотрение конкретных задач в командах, добавление лидеров в каждую команду или исключение определенных командных комбинаций, в которых некоторые люди не хотят работать вместе.

Использование взвешенных сетей также может предоставить более подробную информацию о силе социальных отношений людей. Одно из возможных применений — отличить людей, которые часто общаются, от тех, кто почти не разговаривает друг с другом [95]. Одним из примеров потенциальных областей улучшения является разработка автоматической настройки весов, присваиваемых каждому атрибуту разнообразия для конкретной популяции.

Если алгоритм исследует категориальные и числовые атрибуты людей перед началом процесса формирования команды, он сможет выявить атрибуты, которые имеют больше вариаций, а также те, которые редки среди отдельных людей.

Затем алгоритм может определить важность каждого атрибута разнообразия в целевой функции. Наконец, алгоритм можно реализовать в виде веб-платформы, чтобы предоставить менеджерам, преподавателям или исследователям больше возможностей для формирования команд.

Заключение

Эта работа решает проблему формирования команд из социальной сети, которая максимизирует как разнообразие, так и узнаваемость. Мы сформулировали многоцелевую функцию для этой задачи и реализовали генетический алгоритм для поиска разнообразных команд с хорошими связями. В ходе тщательной экспериментальной оценки мы оценили производительность предложенного нами алгоритма и сравнили его с базовыми подходами.

Мы обсудили потенциальную роль алгоритмов в улучшении состава команды и помощи ее строителям. В частности, вычислительные подходы можно использовать для формирования команд, которые учитывают косвенные связи и рекомендуют комбинации с более высокими показателями разнообразия. Поскольку алгоритмы могут находить более возможные комбинации команд, чем люди, решения разработчиков команд могут стать более структурированными, систематическими и всеобъемлющими.

Вспомогательная информация

Файл S1. Сопроводительные рисунки и таблицы. S1 Рис.: Моделирование с использованием метрики Диаметра. S2 Рис.: Моделирование с использованием метрики минимального остовного дерева (MST). Таблица S1: Случай диаметра. S2Table: Случай минимального остовного дерева. Таблица S3: Средняя доля прыжков в комбинациях команд. (PDF)

Рекомендации

1. Нг ESW, Берк Р.Дж. Соответствие человека и организации и война за таланты: имеет ли значение управление многообразием? Международный журнал управления человеческими ресурсами. 2005 г.; 16(7):1195–1210.https://doi.org/10.1080/09585190500144038

2. Хант В., Лейтон Д., Принс С. Разнообразие имеет значение. МакКинси и компания. 2015 г.; 1 (1): 15–29.

3. Джексон С.Э., Джоши А. Разнообразие рабочего коллектива. В: Справочник APA по промышленной и организационной психологии, Том 1: Создание и развитие организации. Американская психологическая ассоциация; 2011. стр.651–686.

4. Барак МЕМ, Трэвис DJ. Социально-экономические тенденции: расширение экосистемы разнообразия. В: Оксфордский справочник по разнообразию и работе. Издательство Оксфордского университета; 2012. с. 393.

5. Матье Дж.Э., Холленбек Дж.Р., ван Книппенберг Д., Ильген Д.Р. Столетие рабочих групп в Журнале прикладной психологии. Журнал прикладной психологии. 2017 год; 102(3):452. https://doi.org/10.1037/apl0000128 PMID: 28150984

6. Уильямс, Кентукки, О'Рейли, Калифорния III. Демография и разнообразие в организациях: обзор 40 лет исследований. Исследования организационного поведения. 1998 год; 20:77–140.

7. Ван Книппенберг Д., Де Дре К.К., Хоман А.С. Разнообразие рабочих групп и групповая производительность: интегративная модель и программа исследований. Журнал прикладной психологии. 2004 г.; 89(6):1008. https://doi.org/10.1037/0021-9010.89.6.1008 PMID: 15584838

8. Страница SE. Бонус за разнообразие: как хорошие команды окупаются в экономике знаний. Издательство Принстонского университета; 2019.

9. Василеску Б., Поснетт Д., Рэй Б., ван ден Бранд М.Г.Дж., Серебреник А., Деванбу П. и др. Гендерное разнообразие и разнообразие сроков полномочий в командах GitHub. В: Материалы 33-й ежегодной конференции ACM по человеческому фактору в вычислительных системах. ЧИ'15. Нью-Йорк, штат Нью-Йорк, США: Ассоциация вычислительной техники; 2015.п. 3789–3798. Доступна с:https://doi.org/10.1145/2702123.2702549.

For more information:1950477648nn@gmail.com