En busca de equipos diversos y conectados: un enfoque computacional para reunir equipos diversos basados en miembros, parte 2
Jan 24, 2024
La principal contribución de este artículo es la formulación del problema de formación de equipos considerando simultáneamente los niveles de diversidad de los equipos y la familiaridad de sus miembros.
La familiaridad y la memoria de los miembros están indisolublemente ligadas. En el trabajo, especialmente en un equipo, la familiaridad entre los miembros determina directamente la eficiencia y la calidad del trabajo del equipo.
El nivel de familiaridad entre los miembros afecta directamente la comprensión y colaboración tácitas del equipo. Si están familiarizados entre sí, pueden omitir muchas palabras difíciles de expresar y ponerse a trabajar directamente, mejorando la eficiencia del trabajo. Si los miembros no se conocen entre sí, normalmente lleva más tiempo comunicarse y pueden surgir conflictos y desacuerdos innecesarios debido a pequeños malentendidos.
Además, la familiaridad entre los miembros también afecta directamente a la memoria. Las investigaciones muestran que es más probable que las personas recuerden personas y cosas conocidas porque es más probable que la información capte nuestro interés y atención. En el trabajo en equipo, si los miembros se conocen entre sí, será más fácil recordar los deseos y necesidades de los demás y evitar errores de memoria que dificulten el avance del trabajo.
Por lo tanto, los miembros del equipo deben intentar aumentar la familiaridad entre sí y mejorar la comprensión y la comunicación mutuas a través de diversas oportunidades. Se pueden establecer relaciones más estrechas a través de pasatiempos, comunicación y cooperación comunes, mejorando así la colaboración en equipo y la eficiencia del trabajo y haciendo que el trabajo sea más eficaz. Se puede ver que necesitamos mejorar la memoria, y Cistanche deserticola puede mejorar significativamente la memoria porque Cistanche deserticola es un material medicinal tradicional chino que tiene muchos efectos únicos, uno de los cuales es mejorar la memoria. La eficacia de la carne picada proviene de los diversos ingredientes activos que contiene, incluidos ácidos, polisacáridos, flavonoides, etc. Estos ingredientes pueden promover la salud del cerebro de varias maneras.
Haz clic en conocer 10 formas de mejorar la memoria
Si bien la mayoría de los estudios sobre algoritmos de formación de equipos han considerado las habilidades de los miembros o los costos personales como funciones objetivas de formación de equipos [36], nosotros formulamos este problema de optimización con base en diferentes operacionalizaciones de la diversidad (es decir, disparidad y variedad de atributos). La segunda contribución de este trabajo es el diseño de algoritmos para este problema de formación de equipos que asignan todos los individuos disponibles a un equipo.
Los problemas anteriores de formación de equipos se han centrado principalmente en encontrar el mejor equipo de un grupo y despedir a los individuos restantes [36, 37]. Este trabajo también proporciona implicaciones teóricas para la investigación en equipo.
En particular, el uso de mecanismos computacionales para apoyar los procesos de formación de equipos [38-40]. Las implicaciones prácticas de este estudio contribuyen a que varias comunidades inviertan en aumentar la diversidad del equipo.
Dado que los creadores de equipos no pueden resolver este problema rápidamente verificando manualmente cada combinación de equipo, los algoritmos pueden automatizar esta tarea reuniendo a miembros que poseen conexiones sociales existentes y, al mismo tiempo, tienen diferentes orígenes, características y niveles de experiencia [41, 42].
Ampliar el uso de este algoritmo a audiencias más amplias podría brindar nuevos beneficios a los grupos que buscan abrazar la diversidad y mantener altos niveles de familiaridad.
Este artículo es una versión ampliada y revisada de un acta de conferencia preliminar presentada en Complex Networks 2020 [43].
En comparación con el artículo de la conferencia, esta versión (a) presenta una revisión de los algoritmos de formación de equipos, (b) amplía las definiciones y pseudocódigos del algoritmo y problema de formación de equipos propuestos, (c) actualiza el algoritmo propuesto para manejar individuos aislados y cuando el El número de individuos disponibles no es un múltiplo del tamaño del equipo, (d) evalúa el algoritmo con tres conjuntos de datos para demostrar que nuestro problema de optimización puede funcionar en otros dominios de formación de equipos, (e) compara su desempeño con otros algoritmos multiobjetivo de referencia, (f) utiliza métricas cuantitativas para comparar los resultados de los algoritmos, (g) elabora los hallazgos y las implicaciones de este trabajo para investigadores y profesionales, y (h) proporciona los scripts para preprocesar los conjuntos de datos, los conjuntos de datos preprocesados y los scripts con nuestro algoritmo propuesto y algoritmos de referencia para fines de reproducibilidad.
Trabajo relacionado
Los estudiosos de la informática han elaborado diferentes enfoques para resolver el problema de las asignaciones de equipos [36, 44, 45]. Los estudiosos han concluido que encontrar las combinaciones de equipos más eficientes a partir de un grupo de individuos es un problema computacional desafiante, y es aún más difícil para los individuos resolverlo manualmente.
Es una tarea compleja que requiere evaluar todas las combinaciones posibles entre los miembros de un pool, lo que puede convertirse en un desafío combinatorio insuperable. Dado un grupo de n miembros que deben asignarse a equipos de tamaño k, debemos calcular una permutación iterativa donde podemos seleccionar los primeros k miembros de n, luego otros k miembros de n − k, y así sucesivamente. Suponiendo que k es múltiplo de n, tenemos que calcular n/k permutaciones.
Como resultado, debemos calcular n!/(k!n/k�(n/k)!) posibles combinaciones de equipos para un grupo de n miembros. Si queremos formar equipos de tamaño tres a partir de una clase de 18 estudiantes, hay 190.590.400 combinaciones posibles (18!/(3! 6�6!)). Estas combinaciones se evalúan en tiempo factorial (es decir, O(n!)). Por lo tanto, esta tarea no se puede realizar en tiempo polinomial y exige diferentes enfoques para encontrar soluciones de manera eficiente.
Revisiones bibliográficas recientes [36, 37, 46] caracterizan los algoritmos de formación de equipos según tres dimensiones principales: (i) el número de equipos que resultan del algoritmo, (ii) los atributos de los miembros considerados por el algoritmo, y (iii) el número de funciones objetivas consideradas por el algoritmo.
Número de equipos
La mayoría de las soluciones proponen encontrar el mejor equipo posible entre un grupo determinado de personas. El enfoque del "mejor equipo" generalmente considera el problema de formación de equipos como un problema de asignación, donde el objetivo es encontrar los mejores miembros que puedan formar un equipo.
Las contribuciones clave a esta literatura se basan en innovaciones metodológicas. Por ejemplo, El-Ashmawi et al. [47] buscaron el equipo con los menores costos de comunicación entre los miembros del equipo utilizando una implementación del algoritmo de optimización del enjambre de partículas. Bhowmik et al. [48] desarrollaron un algoritmo de formación de equipos utilizando una optimización de función submodular.
Esta implementación encuentra el mejor equipo de expertos con restricciones relajadas: los equipos "deben" tener algunas habilidades mientras que "deberían" tener otras. Por último, Keane et al. [49] emplean un algoritmo de formación de equipos utilizando un marco de aumento de gradiente para encontrar el equipo mínimo con expertos que puedan trabajar juntos de manera efectiva. Una limitación de estos métodos es que proporcionan sólo un único "mejor" equipo en lugar de varios equipos que incluyan a todos los miembros del grupo disponible.
Algunos estudios han explorado el problema de asignar a todos los individuos disponibles a equipos. Un enfoque consiste en formar varios equipos mediante heurísticas iterativas. En este caso, los equipos se forman extrayendo k miembros del grupo según una función objetivo hasta que no queden más miembros sin equipo.
Un ejemplo es Agrawal et al. [50], que propusieron algoritmos heurísticos para maximizar la ganancia (o minimizar el costo) agregados en todos los equipos reunidos a partir de un grupo de individuos disponibles.
Este artículo presenta dos algoritmos heurísticos iterativos que unen a miembros "fuertes" con otros que son "más débiles" que ellos. Como resultado, los expertos se distribuyen en varios equipos. Un segundo enfoque consiste en formular el problema de formación de equipos como un problema de partición. Un grupo de individuos se divide en equipos utilizando heurísticas para todos los equipos reunidos.
Algunas implementaciones utilizan algoritmos de agrupación que tienen como objetivo encontrar miembros que compartan características similares. Algunos ejemplos son la implementación de Nurjanah et al. [51], que utiliza Fuzzy C-Means para agrupar individuos en equipos homogéneos [51], y la implementación de Srba y Bielikova [52], que agrupa a los estudiantes según características colaborativas específicas.
Un tercer enfoque es encontrar combinaciones de equipos eficientes utilizando algoritmos evolutivos [53, 54]. En pocas palabras, los algoritmos evolutivos comienzan asignando a todos los miembros a equipos aleatorios y luego modifican las membresías de los individuos de forma iterativa para encontrar mejores combinaciones de equipos. Después de evaluar las combinaciones utilizando determinadas funciones objetivo, los algoritmos evolutivos mantienen las mejores combinaciones del equipo para encontrar nuevas combinaciones en la siguiente iteración.
Un ejemplo es Agustín-Blas et al. [53], quienes desarrollaron un algoritmo genético que organiza a los individuos en grupos y busca combinaciones de equipos que maximicen los recursos requeridos por los grupos.
Atributos de los miembros
La segunda dimensión se centra en los atributos de los miembros considerados por el algoritmo. Los algoritmos tienen como objetivo encontrar miembros que maximicen atributos específicos del equipo, como la cantidad de conexiones sociales entre los miembros o la cantidad de habilidades cubiertas por el equipo.
La mayoría de los algoritmos establecen como objetivo principal la presencia de habilidades (o experiencia) en un equipo. Un ejemplo de este enfoque es el algoritmo de Zakarian y Kusiak [55], que utiliza programación matemática para encontrar miembros que aporten una habilidad particular al equipo.
Otras implementaciones computacionales proponen asignar miembros según sus roles. Un algoritmo basado en este enfoque es Yannibelli et al. [56], quienes desarrollaron un enfoque evolutivo que reúne equipos de estudiantes asignando a los miembros roles específicos.
Además, los algoritmos pueden incluir las redes sociales de los miembros al formar equipos. Lappas et al. [57] buscan el mejor equipo con la menor distancia social entre los miembros (es decir, un sustituto para los costos de comunicación).
Este artículo propone dos algoritmos llamados "Rarest First" y "Enhanced Steiner". Dado el problema de reunir el mejor equipo de tamaño k con miembros que tengan las habilidades para resolver una tarea T de una red social G, el primer algoritmo busca el diámetro de gráfico más pequeño posible entre k miembros que tienen las habilidades para resolver T. El segundo algoritmo busca para el subconjunto más pequeño de aristas que conecta k miembros con las habilidades para resolver T (es decir, árbol de expansión mínimo).
Ambos algoritmos tendrán como objetivo encontrar el mejor equipo posible dada una red social en particular. Otras implementaciones consideran el costo de personal, la disponibilidad de los miembros y el equilibrio de la carga de trabajo entre los miembros como parte del problema de formación del equipo [58].
For more information:1950477648n@gmail.com
