W poszukiwaniu różnorodnych i połączonych zespołów: podejście obliczeniowe do tworzenia różnorodnych zespołów na podstawie członków, część 8

Kolejnym wkładem tej pracy jest znalezienie podobnych kombinacji zespołów, które tworzyłyby pojedyncze osoby, ale przy zwiększonym poziomie różnorodności. Jak wykazały wcześniejsze badania, ludzie mają tendencję do tworzenia zespołów składających się z kompetentnych osób i osób, które je znają, co zwiększa prawdopodobieństwo zadowolenia i zaangażowania w zespół [28, 82].

Praca zespołowa jest bardzo ważną umiejętnością we współczesnym społeczeństwie. Umożliwia współpracę wielu osób w celu pomyślnego zakończenia projektu lub zadania. Pamięć jest również bardzo ważną cechą w zespole. Jaki jest zatem związek między składem zespołu a pamięcią?

Po pierwsze, wpływ składu zespołu na pamięć jest oczywisty. Różni ludzie mają różne umiejętności i wiedzę, a dzięki różnym kombinacjom można zmaksymalizować ogólne możliwości zespołu. Kiedy każdy członek maksymalizuje swoje mocne strony, można zmaksymalizować efektywność zespołu, co może również pobudzić entuzjazm i inicjatywę każdego członka, pomagając w ten sposób poprawić pamięć zespołu.

Po drugie, komunikacja w zespole jest również bardzo pomocna w poprawie pamięci. W zespole wymagana jest częsta komunikacja i współpraca między członkami, co sprzyja komunikacji i pozwala każdemu lepiej zrozumieć wszystkie aspekty projektu lub zadania. Pogłębianie wiedzy i zrozumienie zadań poprzez komunikację może znacznie poprawić pamięć.

Wreszcie atmosfera w zespole ma również pewien wpływ na pamięć. Pozytywny i pełen pasji zespół może pomóc członkom utrzymać dobre nastawienie i sprawić, że wszyscy będą bardziej zaangażowani i skupieni na projektach lub zadaniach. Ta pozytywna atmosfera jest bardzo korzystna dla poprawy pamięci.

Podsumowując, istnieje związek pomiędzy składem zespołu a pamięcią. Dzięki rozsądnemu połączeniu, dobrej komunikacji i pozytywnej atmosferze zespół może maksymalnie wykorzystać synergię, poprawiając w ten sposób ogólną pamięć. Dlatego niezbędna jest dobra praca zespołowa, która może sprzyjać rozwojowi indywidualnych zdolności i rozwojowi całego zespołu, co jest również jednym z ważnych czynników sukcesu współczesnych przedsiębiorstw. Widać, że trzeba poprawić pamięć, a Cistanche desericola potrafi znacząco poprawić pamięć, bo Cistanche desericola potrafi także regulować równowagę neuroprzekaźników, np. zwiększać poziom acetylocholiny i czynników wzrostu. Substancje te są bardzo ważne dla pamięci i uczenia się. Ponadto mięso może również poprawić przepływ krwi i promować dostarczanie tlenu, co może zapewnić mózgowi wystarczającą ilość składników odżywczych i energii, poprawiając w ten sposób witalność i wytrzymałość mózgu.

Kliknij Poznaj pamięć krótkotrwałą, jak ją ulepszyć

Fakt ten wykazano w zbiorze danych MyDreamTeam poprzez porównanie niższych kosztów komunikacji zespołów samodzielnie tworzących się z wyższymi kosztami komunikacji zespołów generowanych losowo.

Zaproponowany algorytm znalazł kombinacje zespołów o niższych kosztach komunikacji niż zespoły samoorganizujące się, co sugeruje, że ludzie mają pewną intuicję w tworzeniu dobrze połączonych zespołów.

Brakuje im jednak rzetelnej wiedzy na temat połączeń wyższego rzędu między sobą. Możliwym wyjaśnieniem tej różnicy odkrytej przez algorytm jest ogromne wyzwanie, przed jakim stają jednostki, polegające na odkryciu i wykorzystaniu połączeń pośrednich, takich jak wspólne kontakty lub współdzieleni przeszli współpracownicy.

Niezależnie od tego, czy pojedyncze osoby tworzą swoje zespoły, czy też projektują je osoby tworzące zespoły, uwzględnienie pośrednich powiązań członków zespołu nie jest łatwym zadaniem, ponieważ pośrednie powiązania nie są dobrze widoczne.

Natomiast nasz algorytm przoduje w uwzględnianiu szerszej struktury sieci społecznościowej, biorąc pod uwagę globalny obraz relacji między członkami. Stosując to podejście algorytmiczne, poszczególne osoby i menedżerowie mogą być bardziej świadomi potencjalnie zróżnicowanych członków zespołu poprzez swoje obecne relacje.

Nawet jeśli dwóch członków zespołu nie zna się bezpośrednio, połączenie sił ze wspólnym „przyjacielem przyjaciela” lub połączeniem pośrednim może potencjalnie sprzyjać zażyłości i bezpieczeństwu psychicznemu w zespołach [83–85].

Co więcej, odkryliśmy, że samodzielnie utworzone zespoły MyDreamTeam były mniej zróżnicowane niż zespoły generowane losowo przez algorytmy. Ta tendencja wynikająca z homofilii jest zgodna z wcześniejszą literaturą, która wskazuje, że ludzie wolą współpracować z innymi, którzy mają podobne cechy [65].

Sformułowanie tego problemu tworzenia zespołu zapewnia nowe możliwości zwiększenia różnorodności zespołów w porównaniu z zespołami, które utworzyły się samodzielnie, przy jednoczesnym uwzględnieniu wysokiego poziomu znajomości wśród członków zespołu. Jedną z głównych zalet tworzenia zespołów w ten sposób jest zmniejszenie uprzedzeń poszczególnych osób.

Ponieważ ludzie w naturalny sposób dążą do tworzenia zespołów składających się z podobnych osób, algorytm podobny do proponowanego może usprawnić proces podejmowania decyzji przez ludzi.

Zamiast połączeń opartych na preferencjach poszczególnych osób, algorytm może zapewnić zbiorową koordynację, tworząc lepsze kombinacje zespołów, które mogłyby zaspokoić oczekiwania poszczególnych osób. To wielocelowe podejście może pozwolić ludziom znaleźć wykonalne rozwiązania, które zwiększą różnorodność bez pogarszania znajomości zespołu.

Implikacje

Praca ta dostarcza teoretycznych implikacji dla badań zespołowych. W szczególności wykorzystanie mechanizmów obliczeniowych do wspomagania procesów tworzenia zespołu. W literaturze scharakteryzowano tworzenie zespołów jako skupione na mechanizmach behawioralnych, w których zespoły mogą być tworzone przez siły wewnętrzne lub zewnętrzne i oparte na podobieństwie, znajomości i kompetencjach [28, 86).

Formułując i wdrażając ten wielozadaniowy problem optymalizacyjny, znaleźliśmy różnorodne i połączone ze sobą kombinacje zespołów, których poszczególne osoby nie mogły przewidzieć. Praca ta pozwala badaczom zajmującym się zespołami zastanowić się nad rolą technologii w tworzeniu nowych struktur organizacyjnych pomiędzy jednostkami i organizacjami, co może prowadzić do nowych teorii tworzenia zespołów i wprowadzania technologii [38–40].

Praktyczne implikacje tego badania przyczyniają się do tego, że kilka społeczności inwestuje w zwiększanie różnorodności zespołów: menedżerowie tworzący efektywne i zróżnicowane zespoły, instruktorzy tworzący bardziej zróżnicowane zespoły studenckie, firmy tworzące heterogeniczne grupy z różnych jednostek biznesowych, agencje kosmiczne, takie jak NASA, tworzące załogi kosmiczne do długotrwałych eksploracji kosmosu w celu Marsa oraz badacze badający wykorzystanie algorytmów do organizowania zespołów naukowych.

Rozszerzenie zastosowania tego algorytmu na szerszą publiczność może zapewnić nowe korzyści grupom, które pragną docenić różnorodność i utrzymać wysoki poziom znajomości. Co więcej, twórcy oprogramowania i projektanci mogą wykorzystać wnioski z tego badania do opracowania nowych procedur i wytycznych dotyczących sztucznej inteligencji w organizowaniu pracowników.

Wreszcie, praca ta zapewnia więcej podejść obliczeniowych, które wzbogacają procesy tworzenia zespołów [45, 87].

Ponieważ twórcy zespołów nie mogą szybko rozwiązać tego problemu, ręcznie sprawdzając każdą kombinację zespołów, algorytmy mogą zautomatyzować to zadanie, łącząc członków, którzy posiadają istniejące powiązania społeczne, a jednocześnie mają różne pochodzenie, cechy i poziom wiedzy specjalistycznej[41, 42]. Oczekujemy, że ta praca pomoże w tworzeniu heterogenicznych zespołów, biorąc pod uwagę różnorodność i sieci społeczne.

Inną cechą tego podejścia jest dodanie większej liczby celów do problemu tworzenia zespołu. Na przykład osoby budujące zespoły mogą zminimalizować inne funkcje celu, takie jak odległość geograficzna między uczestnikami, koszty personelu lub ograniczenia dostępności.

Podobnie ten wielozadaniowy problem może uwzględniać cechy członków, gdy dywersyfikacja nie jest pożądana. Jak wskazują niektóre wcześniejsze metaprzeglądy [14, 88], posiadanie zespołu składającego się z podobnych osób może być pożądane w przypadku zadań o niskim stopniu trudności lub gdy celem jest wydajność (a nie kreatywność).

Ponadto może być pożądane, aby niektóre cechy, takie jak osobowość lub wiedza specjalistyczna, były podobne, a nie zróżnicowane [89].

Do tego problemu tworzenia zespołu można dodać kolejną funkcję celu, która minimalizuje zróżnicowanie zespołów pod względem niektórych cech przy użyciu metryk zdefiniowanych przez Harrisona i Kleina [30]. Dlatego jednym z potencjalnych zastosowań tego algorytmu jest maksymalizacja różnorodności atrybutów niektórych członków przy jednoczesnej minimalizacji różnorodności inne atrybuty.

Biorąc pod uwagę elastyczny kompromis wynikający z tego wielocelowego podejścia, które rozwiązanie powinni rozważyć osoby budujące zespoły, patrząc od strony Pareto? Uwzględnienie innych wskaźników (np. indywidualnych wyników, spójności zespołu, lokalizacji członków) może pomóc twórcom zespołów wybrać jedną konkretną kombinację zespołu.

Ograniczenia i przyszła praca

Ważne jest, aby zdawać sobie sprawę z ograniczeń tego artykułu. Po pierwsze, miary różnorodności i kosztów komunikacji zostały skalowane specjalnie dla każdej unikalnej sieci i nie można ich porównywać w przypadku różnych grup uczestników.

Po drugie, miara różnorodności jest sumą wielu wskaźników różnorodności dla każdego atrybutu objętego próbą; dlatego trudno jest przypisać jakiekolwiek rzeczywiste znaczenie metryce różnorodności poza względnymi różnicami w tej samej sieci. Przyszłe wdrożenia powinny rozważyć, w jaki sposób różne miary różnorodności można analizować oddzielnie i zgodnie z konkretną pulą uczestników.

Mogą one również ważyć różnorodność w różnych wymiarach lub operacjonalizować metryki różnorodności jako różne funkcje celu w problemie optymalizacji. Po trzecie, tworzenie zespołów naukowych i zespołów zajmujących się oprogramowaniem jest w rzeczywistości bardziej złożone: z czasem można dodawać nowych członków, wymagana jest pewna specjalizacja, nie wszystkie te zespoły mają te same cele, rozmiary lub ograniczenia, a różnorodność może być korzystna tylko dla celów.

Uważamy, że użycie dwóch ostatnich zbiorów danych nie powinno stanowić problemu, ponieważ używamy ich jedynie do testowania wydajności i wyników algorytmów. Ten algorytm tworzenia zespołu może pomóc w tworzeniu prawdziwych zespołów naukowych i zajmujących się oprogramowaniem, znajdując bardziej zróżnicowane i powiązane kombinacje. Po czwarte, nie podajemy konkretnych zaleceń dotyczących atrybutów różnorodności demograficznej lub funkcjonalnej.

Wcześniejsze badania wykazały, że wpływ różnorodności na wyniki zespołu zależy od czynników kontekstowych i procesów zespołowych [14]. Osoby budujące zespoły, które chcą administrować tym algorytmem, powinny zastanowić się i zdecydować o dodaniu zmiennych demograficznych i poznawczych zgodnie ze swoimi celami organizacyjnymi i konkretnym kontekstem. Po piąte, zbieranie danych z sieci społecznościowych może być dużym zadaniem dla osób budujących zespoły.

Oceny relacji międzyludzkich można dokonać poprzez prowadzenie ankiet, badanie sieci komunikacyjnych lub śledzenie danych cyfrowych [90]. Inną potencjalną strategią budowania sieci społecznościowych poszczególnych osób jest pytanie o preferencje członka drużyny.

Algorytm mógł znaleźć możliwe różnorodne kombinacje zespołów na podstawie odpowiedzi poszczególnych osób [91]. Wreszcie, nie można zagwarantować, że wyniki zespołów utworzonych za pomocą tego algorytmu będą lepsze niż w przypadku innych strategii tworzenia zespołów.

Wcześniejsze badania wykazały mieszane wyniki dotyczące bezpośredniego wpływu różnorodności na wyniki zespołu we wszystkich kontekstach [14], a także korzyści płynące ze stosowania podejść algorytmicznych przy tworzeniu zespołu [92].

Inne badania wykazały również, że gdy jednostkom brakuje swobody w samodzielnym organizowaniu zespołów, są one mniej zaangażowane w swoją grupę [93, 94]. W przyszłych pracach należy rozważyć użycie tego algorytmu do tworzenia rzeczywistych grup i oceny ich wyników w porównaniu z zespołami przydzielonymi losowo lub przez menedżera.

Przyszłe prace powinny dodać nowe ograniczenia do funkcji wielu celów, takie jak uwzględnienie konkretnych ról zadaniowych w zespołach, dodanie liderów do każdego zespołu lub wykluczenie niektórych kombinacji zespołów, w których niektóre osoby nie chcą razem pracować.

Korzystanie z sieci ważonych mogłoby również dostarczyć bardziej szczegółowych informacji na temat siły relacji społecznych między ludźmi. Jednym z potencjalnych zastosowań jest odróżnienie osób, które często wchodzą w interakcje, od tych, które prawie ze sobą nie rozmawiają [95]. Jednym z przykładów potencjalnych obszarów poprawy jest opracowanie automatycznego dostrajania wag przypisanych do każdego atrybutu różnorodności w określonej populacji.

Jeśli algorytm zbada cechy jakościowe i liczbowe ludzi przed rozpoczęciem procesu tworzenia zespołu, będzie w stanie zidentyfikować atrybuty charakteryzujące się większym zróżnicowaniem oraz te, których u poszczególnych osób jest niewiele.

Następnie algorytm mógłby określić znaczenie każdego atrybutu różnorodności w funkcji celu. Wreszcie, algorytm można wdrożyć w postaci platformy internetowej, aby zapewnić menedżerom, instruktorom i badaczom więcej możliwości tworzenia zespołów.

Wniosek

Niniejsza praca porusza problem tworzenia zespołów z sieci społecznościowej, która maksymalizuje zarówno różnorodność, jak i zażyłość. Dla tego problemu sformułowaliśmy funkcję wielocelową i zaimplementowaliśmy algorytm genetyczny, aby znaleźć dobrze połączone, różnorodne zespoły. W dokładnej ocenie eksperymentalnej oceniliśmy wydajność proponowanego przez nas algorytmu i porównaliśmy go z podejściami podstawowymi.

Omówiliśmy potencjalną rolę algorytmów we wzmacnianiu składu zespołu i pomaganiu w jego budowaniu. W szczególności można zastosować podejścia obliczeniowe do tworzenia zespołów, które rozważają połączenia pośrednie i zalecają kombinacje o wyższych wynikach różnorodności. Ponieważ algorytmy potrafią odkryć bardziej wykonalne kombinacje zespołów niż ludzie, decyzje twórców zespołów mogą stać się bardziej uporządkowane, systematyczne i kompleksowe.

Informacje pomocnicze

Plik S1. Rysunki pomocnicze i tabele. S1 Rys.: Symulacje z wykorzystaniem metryki Średnica. S2 Ryc.: Symulacje z wykorzystaniem metryki minimalnego drzewa rozpinającego (MST). Tabela S1: Obudowa średnicy. Tabela S2: Minimalny przypadek drzewa opinającego. Tabela S3: Średni odsetek przeskoków w kombinacjach drużyn. (PDF)

Bibliografia

1. Ng ESW, Burke RJ. Dopasowanie osoba–organizacja i wojna o talenty: czy zarządzanie różnorodnością ma znaczenie? International Journal of Human Resource Management. 2005; 16(7):1195–1210.https://doi.org/10.1080/09585190500144038

2. Hunt V, Layton D, Prince S. Różnorodność ma znaczenie. McKinsey & Company. 2015; 1(1):15–29.

3. Jackson SE, Joshi A. Różnorodność zespołu roboczego. W: Podręcznik psychologii przemysłu i organizacji APA, tom 1: Budowanie i rozwój organizacji. Amerykańskie Stowarzyszenie Psychologiczne; 2011. s. 651–686.

4. Barak MEM, Travis DJ. Trendy społeczno-gospodarcze: Poszerzanie ekosystemu różnorodności. W: Oksfordzki podręcznik różnorodności i pracy. Wydawnictwo Uniwersytetu Oksfordzkiego; 2012. s. 393.

5. Mathieu JE, Hollenbeck JR, van Knippenberg D, Ilgen DR. Stulecie zespołów roboczych w Journal ofApplied Psychology. Journal of psychologii stosowanej. 2017; 102(3):452. https://doi.org/10.1037/apl0000128 PMID: 28150984

6. Williams KY, O'Reilly CA III. Demografia i różnorodność w organizacjach: przegląd 40 lat badań. Badania zachowań organizacyjnych. 1998; 20:77–140.

7. Van Knippenberg D, De Dreu CK, Homan AC. Różnorodność grup roboczych i wydajność grupy: model integracyjny i program badawczy. Journal of psychologii stosowanej. 2004; 89(6):1008. https://doi.org/10.1037/0021-9010.89.6.1008 PMID: 15584838

8. Strona SE. Premia za różnorodność: jak świetne zespoły opłacają się w gospodarce opartej na wiedzy. Wydawnictwo Uniwersytetu Princeton; 2019.

9. Vasilescu B, Posnett D, Ray B, van den Brand MGJ, Serebrenik A, Devanbu P i in. Różnorodność płci i stażu pracy w zespołach GitHub. W: Materiały z 33. dorocznej konferencji ACM na temat czynników ludzkich w systemach komputerowych. CHI'15. Nowy Jork, NY, USA: Stowarzyszenie na rzecz Maszyn Obliczeniowych; 2015.s. 3789–3798. Dostępne od:https://doi.org/10.1145/2702123.2702549.

For more information:1950477648nn@gmail.com