På jakt efter olika och sammanlänkade team: En beräkningsmetod för att sammanställa olika team baserat på medlemmar del 1

Abstrakt

Tidigare forskning visar att team med olika bakgrund och kompetens kan prestera bättre än homogena team. Men människor föredrar ofta att arbeta med andra som är lika och bekanta med dem och misslyckas med att sätta ihop team med hög mångfaldsnivå.

Det finns en mycket nära relation mellan bekanta människor och minnet. Bekanta människor inkluderar vår familj, vänner, kollegor, etc. Dessa människor kan vara en stor hjälp i våra liv, inte bara ge känslomässigt stöd utan också ha en positiv inverkan på vårt minne.

För det första kan bekanta människor bli våra minnesmedier. När vi kommunicerar med dem förbättras vår koncentration och mentala aktivitet, och vi kan komma ihåg saker bättre. När vi kommunicerar brukar vi nämna saker som är relevanta för dem. Dessa saker är nära relaterade till våra liv, så de är lätta att komma ihåg. Med denna information kan vi bättre komma ihåg händelser relaterade till dem, vilket hjälper till att förbättra vår minnesförmåga.

För det andra kan bekanta personer ge ömsesidig hjälp. Till exempel, när vi glömmer något kan vi fråga dem. Om vi ​​har en bra relation med den här personen kan de kanske ge lite information eller tips som hjälper oss att komma ihåg saker bättre.

Slutligen kan bekanta personer ge känslomässigt stöd. När vi stöter på svårigheter eller motgångar kan deras stöd hjälpa oss att klara oss bättre. Detta hjälper oss att behålla en positiv attityd och förbättrar vårt minne.

I det dagliga livet behöver vi hålla kontakten med bekanta människor och etablera goda relationer. På så sätt kan vi stärka vår minnesförmåga för att bättre hantera våra liv. Det kan ses att vi behöver förbättra minnet, och Cistanche deserticola kan förbättra minnet avsevärt eftersom Cistanche deserticola är ett traditionellt kinesiskt läkemedelsmaterial som har många unika effekter, varav en är att förbättra minnet. Effekten av malet kött kommer från de olika aktiva ingredienserna det innehåller, inklusive syra, polysackarider, flavonoider, etc. Dessa ingredienser kan främja hjärnans hälsa på olika sätt.

Klicka på vet 10 sätt att förbättra minnet

Vi studerar problemet med teambildning genom att överväga en pool av individer med olika färdigheter och egenskaper, och ett socialt nätverk som fångar förtrogenhet bland dessa individer. Målet är att tilldela alla individer olika team baserat på deras sociala kopplingar, och därigenom tillåta dem att bevara en nivå av förtrogenhet.

Vi formulerar detta teambildande problem som ett multiobjektivt optimeringsproblem för att dela upp medlemmar i väl sammankopplade och mångsidiga team inom ett socialt nätverk.

Vi implementerar detta problem genom att använda Non-dominated SortingGenetic Algorithm II (NSGA-II), som hittar lagkombinationer med hög förtrogenhet och mångfaldsnivåer i O(n2) tid. Vi testade denna algoritm på tre empiriskt insamlade datauppsättningar för teamformation och mot tre benchmarkalgoritmer.

De experimentella resultaten bekräftar att den föreslagna algoritmen framgångsrikt bildade team som har både mångfald i medlemsattribut och tidigare kopplingar mellan medlemmar. Vi diskuterar fördelarna med att använda beräkningsmetoder för att förbättra teambildning och sammansättning.

Introduktion

Att bilda lag idag skiljer sig från tidigare decennier. Nuförtiden strävar organisationer och institutioner efter att sammansätta grupper baserade inte bara på medlemmarnas expertis utan också på mångfaldskriterier [1,2].

Eftersom arbetsstyrkan blir allt mer mångfaldig, förbinder sig fler organisationer att föra samman medlemmar från olika utbildningsbakgrunder, funktionella bakgrunder och demografiska attribut i samma team [3, 4].

Många studier visar de potentiella fördelarna med mångfald i team [5, 6]. På identitetsnivå visar forskning att demografisk mångfald-teammedlemmar av olika kön, kulturer, raser, etc.-kan öka teamprestationer.

Att odla demografisk mångfald i team kan ge olika egenskaper, synpunkter och erfarenheter som är inneboende för den demografiska gruppen [7, 8]. Några exempel är könsmångfald, vilket främjar produktiviteten i mjukvaruutvecklingsteam [9], teams kollektiva intelligens [10], och innovationer i FoU-grupper [11]. En studie visade att rasmångfald också kan ge alternativa perspektiv och stimulera kreativitet, generera mer originella och konkurrenskraftiga idéer [12].

Kulturell mångfald är ett annat exempel: det hjälper team att producera mer kreativa resultat än kulturellt homogena team [13]. På den kognitiva nivån kan team med höga nivåer av funktionell mångfald – det vill säga teammedlemmar med olika expertis, karriärer och bakgrunder – leverera mer originella och kreativa resultat.

Att främja funktionell mångfald kan öka kreativiteten eftersom det utökar bredden av information, kunskap, idéer och perspektiv inom ett team [14]. Det uppmuntrar också divergent tänkande, större kompetensomfång och idérekombination [15, 16].

Som ett resultat är funktionellt mångsidiga team mer benägna att lösa komplexa problem som kräver kreativitet och innovation än homogena grupper [2, 8, 16]. Sammantaget spelar samspelet mellan demografisk och funktionell mångfald en roll för hur teammedlemmarnas olikheter drar nytta av deras arbete och prestationer[7].

Trots de potentiella fördelarna med mångfald i team visar forskning också att mångfald är ett "tveeggat svärd" [17]. Tidigare studier erbjuder blandade, och till och med motsägelsefulla, resultat av effekterna av mångfald på team [14, 17, 18].

Även om funktionell mångfald kan orsaka koordinationsproblem och konflikter i en grupp på grund av skillnader i utbildning och kunskap, kan demografisk mångfald framkalla inter-bias bland medlemmar (dvs. "oss-dem"-skillnad) [19], vilket leder till bristande sammanhållning, kommunikation och förtroende [20–22].

I decennier har organisationer främjat mångfaldsträning för att hjälpa medlemmar att arbeta med andra som skiljer sig från dem. Men när människor får i uppdrag att arbeta i ett mångsidigt team är de mindre benägna att engagera sig i teamet och vara motiverade att arbeta med lagkamrater som skiljer sig åt. i demografiska eller funktionella attribut [23].

En möjlig lösning för att mildra de negativa effekterna av mångfald på team är att möjliggöra teamförtrogenhet (dvs. teammedlemmarnas tidigare erfarenhet av att arbeta med varandra). En betydande mängd litteratur visar att tidigare samarbete leder till en större sannolikhet för framgång och framtida samarbeten [24–26].

Teamförtrogenhet skapar grunden för tillit, informationsdistribution och kommunikation mellan medlemmarna [27, 28]. Och eftersom teamförtrogenhet hjälper medlemmarna att lokalisera, dela och distribuera sin kunskap, kan teamförtrogenhet ta itu med många problem som skapas av mångfald utan att kompromissa med dess potentiella fördelar [29].

Kan organisationer sätta ihop team med hög mångfaldsnivå och förtrogenhet samtidigt?
Istället för att bilda team baserat på antingen mångfaldskriterier eller tidigare relationer, kan en kombination av båda hjälpa medlemmar att främja förtroende och organisationer att göra fördelarna med mångfald mer framträdande [29]. I detta arbete föreslår vi en beräkningsmetod för att upptäcka lämpliga lagkombinationer som maximerar teamets mångfald och förtrogenhet på samma gång.

Vi valde dessa tvålagsegenskaper eftersom båda kan bestämmas under lagbildningsprocessen. Eftersom denna uppgift kräver utvärdering av alla möjliga kombinationer bland de tillgängliga medlemmarna, utarbeta ett optimeringsproblem och dess algoritmimplementeringar för att hitta ovärderliga teamkombinationer effektivt.

Vi formulerar detta teambildningsproblem som ett multiobjektivt optimeringsproblem för att sätta ihop team som maximerar sin mångfald och förtrogenhet samtidigt.

Vi använder Harrisonand Kleins ramverk [30] för att beräkna teams mångfald baserat på variationen och skillnaden mellan attribut, och vi använder Kargar och Ans kommunikationskostnadsmått [31] för att beräkna teams förtrogenhet baserat på medlemmarnas sociala nätverksstruktur [32].

Vi implementerar sedan detta problem genom att använda den icke-dominerade sorteringsgenetiska algoritmen II (NSGA-II).

Denna implementering är lämplig eftersom den ger en uppsättning effektiva lagkombinationer och tar hänsyn till avvägningarna mellan olika mål. Vi demonstrerar effektiviteten av vårt tillvägagångssätt med hjälp av tre datauppsättningar som innehåller information om teammedlemskap: (1) studenter som själva sätter ihop team med hjälp av MyDreamTeam-plattformen [33], (2) forskare som är medförfattare till artiklar från BibSonomydataset [34], och (3 ) team som samarbetar på GitHub som tillhandahålls av GHTorrent-datauppsättningen [35].

Vi utvärderar vår föreslagna algoritm mot andra multi-objektiva optimeringsmetoder som är mycket citerade i litteraturen genom att utvärdera dess lösningar och körtid. Resultaten visar att vår föreslagna algoritm framgångsrikt tillhandahållit lösningar med högre mångfalds- och förtrogenhetsnivåer.

For more information:1950477648nn@gmail.com