У пошуках різноманітних і пов’язаних команд: обчислювальний підхід до збирання різноманітних команд на основі членів, частина 8

Іншим внеском цієї роботи є пошук схожих комбінацій команд, які могли б зібрати окремі люди, але з підвищеним рівнем різноманітності. Як показали попередні дослідження, люди прагнуть формувати команди з компетентних осіб і тих, хто з ними знайомий, підвищуючи ймовірність задоволення та відданості команді [28, 82].

Командна робота є дуже важливою здатністю в сучасному суспільстві. Це дозволяє кільком людям працювати разом, щоб сприяти успішному виконанню проекту чи завдання. Також дуже важливою якістю в команді є пам'ять. Тож який зв’язок між складом команди та пам’яттю?

По-перше, вплив складу команди на пам'ять очевидний. Різні люди мають різні навички та досвід, і за допомогою різних комбінацій можна максимізувати загальні можливості команди. Коли кожен член максимізує свої сили, ефективність команди може бути максимальною, що також може стимулювати ентузіазм та ініціативу кожного члена, таким чином допомагаючи покращити пам’ять команди.

По-друге, спілкування в колективі також дуже допомагає поліпшити пам'ять. У команді потрібне часте спілкування та співпраця між членами, що сприяє спілкуванню та дозволяє кожному краще зрозуміти всі аспекти проекту чи завдання. Поглиблення знань і розуміння завдань через спілкування може значно покращити пам’ять.

Нарешті, атмосфера в команді також має певний вплив на пам'ять. Позитивна та пристрасна команда може допомогти членам підтримувати гарне ставлення та зробити всіх більш залученими та зосередженими на проектах або завданнях. Ця позитивна атмосфера дуже корисна для покращення пам’яті.

Підсумовуючи, існує зв’язок між складом команди та пам’яттю. Завдяки розумному поєднанню, хорошому спілкуванню та позитивній атмосфері команда може проявити максимальну синергію, тим самим покращуючи загальну пам’ять. Тому необхідна хороша командна робота, яка може сприяти розвитку індивідуальних здібностей і розвитку всієї команди, що також є одним із важливих факторів успіху сучасних підприємств. Видно, що нам потрібно покращити пам’ять, і Cistanche deserticola може значно покращити пам’ять, оскільки Cistanche deserticola також може регулювати баланс нейромедіаторів, наприклад підвищувати рівень ацетилхоліну та факторів росту. Ці речовини дуже важливі для пам'яті та навчання. Крім того, м’ясо також може покращити кровообіг і сприяти доставці кисню, що може гарантувати, що мозок отримує достатню кількість поживних речовин і енергії, тим самим покращуючи життєздатність і витривалість мозку.

Клацніть «Знай короткочасну пам’ять, як покращити».

Цей факт продемонстровано в наборі даних MyDreamTeam шляхом порівняння нижчих витрат на зв’язок самостійно зібраних команд і вищих витрат на зв’язок випадково згенерованих команд.

Запропонований алгоритм виявив командні комбінації з нижчими витратами на спілкування, ніж самостійні команди, що свідчить про те, що люди мають деяку інтуїцію у формуванні добре зв’язаних команд.

Однак їм бракує надійних знань про зв'язки вищого порядку між собою. Можливим поясненням цієї різниці, знайденої алгоритмом, є величезна проблема для людей, щоб виявити та скористатися перевагами непрямих зв’язків, таких як спільні контакти чи спільні колишні співробітники.

Незалежно від того, чи збирають свої команди окремі люди, чи їх проектують ті, хто створює команди, врахування непрямих зв’язків членів команди є нелегким завданням, оскільки непрямі зв’язки не дуже помітні.

Навпаки, наш алгоритм чудово враховує ширшу структуру соціальної мережі, враховуючи глобальний погляд на стосунки між учасниками. Використовуючи цей алгоритмічний підхід, люди та менеджери можуть краще усвідомлювати потенційно різноманітних товаришів по команді через їхні поточні стосунки.

Навіть якщо двоє членів команди не знають один одного безпосередньо, об’єднання зі спільним «другом друга» або непрямим зв’язком може потенційно сприяти знайомству та психологічній безпеці в командах [83–85].

Крім того, ми виявили, що самостійно зібрані команди MyDreamTeam менш різноманітні, ніж команди, випадково згенеровані алгоритмами. Ця тенденція, спричинена гомофілією, узгоджується з попередньою літературою, яка вказує на те, що люди вважають за краще об’єднуватися з іншими, які мають подібні характеристики [65].

Формулювання цієї проблеми формування команди надає нові можливості для підвищення різноманітності команди порівняно з командами, які збираються самостійно, враховуючи високий рівень знайомства серед членів команди. Однією з основних переваг формування команд у такий спосіб є зменшення індивідуальних упереджень.

Оскільки люди природно прагнуть до формування команд зі схожими людьми, такий алгоритм, як запропонований, може покращити процес прийняття рішень людьми.

Замість зв’язків, керованих індивідуальними вподобаннями, алгоритм може запроваджувати колективну координацію, підбираючи кращі командні комбінації, які могли б задовольнити очікування окремих осіб. Цей багатоцільовий підхід може дозволити людям знаходити можливі рішення, які збільшують різноманітність без шкоди для знайомства в команді.

Наслідки

Ця робота містить теоретичні наслідки для командного дослідження. Зокрема, використання обчислювальних механізмів для підтримки процесів формування команди. Література характеризує формування команди як зосереджене на поведінкових механізмах, де команди можуть бути зібрані внутрішніми або зовнішніми силами та базуються на схожості, знайомстві та компетентності [28, 86].

Сформулювавши та реалізувавши цю багатоцільову задачу оптимізації, ми знайшли різноманітні та зв’язані командні комбінації, які окремі люди не могли передбачити. Ця робота дозволяє вченим команди поміркувати про роль технологій у створенні нових організаційних структур серед індивідів та організацій, що може призвести до нових теорій формування команди та впровадження технологій [38–40].

Практичні наслідки цього дослідження сприяють тому, що кілька спільнот інвестують у збільшення різноманітності команд: менеджери збирають ефективні та різноманітні команди, інструктори складають більш різноманітні команди студентів, компанії формують неоднорідні групи з різних бізнес-підрозділів, космічні агентства, такі як NASA, формують складові космічні екіпажі для тривалого дослідження космосу. Mars і дослідники, які досліджують використання алгоритмів для організації наукових груп.

Розширення використання цього алгоритму для ширшої аудиторії може надати нові переваги для груп, які прагнуть охопити різноманітність і зберегти високий рівень знайомства. Крім того, розробники та дизайнери програмного забезпечення можуть використовувати наслідки цього дослідження для нових процедур і вказівок щодо штучного інтелекту в організації працівників.

Нарешті, ця робота пропонує більше обчислювальних підходів для збагачення процесів формування команди [45, 87].

Оскільки ті, хто створює команди, не можуть швидко вирішити цю проблему, вручну перевіряючи кожну командну комбінацію, алгоритми можуть автоматизувати це завдання, об’єднавши членів, які мають існуючі соціальні зв’язки та, водночас, мають різне походження, характеристики та рівні досвіду [41, 42]. Ми очікуємо, що ця робота допоможе у формуванні різнорідних команд, враховуючи різноманітність і соціальні мережі.

Іншою перевагою цього підходу є додавання додаткових цілей до проблеми формування команди. Наприклад, ті, хто створює команду, можуть мінімізувати інші цільові функції, такі як географічна відстань між учасниками, витрати на персонал або обмеження доступності.

Подібним чином ця багатоцільова проблема може включати риси членів, коли диверсифікація небажана. Як вказують деякі попередні мета-огляди [14, 88], наявність команди зі схожими людьми може бути бажаною для завдань невеликої складності або коли метою є ефективність (а не креативність).

Крім того, може бути бажано, щоб деякі риси, такі як особистість або досвід, були схожими, а не різними [89].

Ця проблема формування команди може додати ще одну цільову функцію, яка мінімізує різноманітність команди за деякими рисами, використовуючи показники, визначені Гаррісоном і Кляйном [30]. Таким чином, одним із потенційних застосувань цього алгоритму є максимізація різноманітності в атрибутах деяких членів, одночасно мінімізуючи різноманітність у інші атрибути.

Враховуючи гнучкий компроміс цього багатоцільового підходу, яке рішення варто розглянути тим, хто створює команди з точки зору Парето? Включення інших показників (наприклад, індивідуальна ефективність, згуртованість команди, розташування членів) може допомогти тим, хто створює команду, вибрати одну конкретну командну комбінацію.

Обмеження та майбутня робота

Важливо визнати обмеження цієї статті. По-перше, показники різноманітності та комунікаційних витрат були масштабовані спеціально для кожної унікальної мережі, і їх неможливо порівнювати між різними групами учасників.

По-друге, показник різноманітності є сукупністю багатьох показників різноманітності для кожного атрибута, взятого у вибірку; таким чином, важко призначити будь-яке реальне значення метриці різноманітності, крім відносних відмінностей в одній мережі. Під час подальшого впровадження слід розглянути, як різні показники різноманітності можна аналізувати окремо та відповідно до конкретного пулу учасників.

Вони також можуть зважувати різноманітність за різними вимірами або операціоналізувати показники різноманітності як різні цільові функції в задачі оптимізації. По-третє, формування наукових груп і команд програмного забезпечення насправді є більш складним: з часом можна додавати нових членів, потрібна певна спеціалізація, не всі ці команди мають однакові цілі, розміри чи обмеження, а різноманітність може бути корисною лише для досягнення цілей.

Ми вважаємо, що використання останніх двох наборів даних не повинно викликати занепокоєння, оскільки ми використовуємо їх лише для перевірки ефективності та результатів алгоритмів. Цей алгоритм формування команд може керувати формуванням справжніх наукових і програмних команд, знаходячи більш різноманітні та зв’язані комбінації. По-четверте, ми не надаємо конкретних рекомендацій щодо демографічних чи функціональних атрибутів різноманітності.

Попередні дослідження показали, як вплив різноманітності на продуктивність команди опосередковується контекстними факторами та командними процесами [14]. Творці команди, які хочуть керувати цим алгоритмом, повинні обміркувати та прийняти рішення про додавання демографічних і когнітивних змінних відповідно до своїх організаційних цілей і конкретного контексту. По-п’яте, збір даних із соціальних мереж може стати серйозним завданням для командобудівників.

Оцінку стосунків між людьми можна здійснити шляхом проведення опитувань, вивчення комунікаційних мереж або відстеження цифрових даних [90]. Ще одна можлива стратегія створення соціальних мереж окремих людей — запитати про вподобання їхніх товаришів по команді.

Алгоритм міг знайти можливі різноманітні командні комбінації на основі відповідей окремих людей [91]. Нарешті, неможливо гарантувати, що продуктивність команд, зібраних за цим алгоритмом, буде кращою, ніж інші стратегії формування команди.

Попередні дослідження показали неоднозначні результати щодо прямого впливу різноманітності на продуктивність команди в усіх контекстах [14], а також переваги використання алгоритмічних підходів для формування команди [92].

Інші дослідження також показали, що коли людям не вистачає волі для самостійного збирання команд, вони менш віддані своїй групі [93, 94]. У майбутній роботі слід розглянути можливість використання цього алгоритму для збирання реальних груп і оцінки їх ефективності порівняно з командами, призначеними випадковим чином або менеджером.

Майбутня робота повинна додати нові обмеження до багатоцільової функції, такі як розгляд конкретних ролей завдань у командах, додавання лідерів до кожної команди або виключення певних командних комбінацій, у яких деякі люди не хочуть працювати разом.

Використання зважених мереж також може надати детальнішу інформацію про міцність соціальних стосунків людей. Одним з потенційних застосувань є розрізнення людей, які часто спілкуються, від тих, хто майже не розмовляє один з одним [95]. Одним із прикладів потенційних сфер удосконалення є розробка автоматичного налаштування вагових коефіцієнтів, призначених кожному атрибуту різноманітності з урахуванням конкретної сукупності.

Якщо алгоритм досліджує категоричні та числові атрибути людей перед тим, як розпочати процес формування команди, він зможе ідентифікувати атрибути, які мають більше варіацій, і ті, яких у людей рідко.

Тоді алгоритм міг би визначити важливість кожного атрибута різноманітності в цільовій функції. Нарешті, алгоритм може бути реалізований як веб-платформа, щоб надати більше можливостей менеджерам, інструкторам або дослідникам для збирання команд.

Висновок

Ця робота стосується проблеми зібрання команд із соціальної мережі, яка максимізує як різноманітність, так і знайомство. Ми сформулювали багатоцільову функцію для цієї проблеми та реалізували генетичний алгоритм для пошуку добре пов’язаних різноманітних команд. Під час ретельної експериментальної оцінки ми оцінили продуктивність запропонованого нами алгоритму та порівняли його з базовими підходами.

Ми обговорювали потенційну роль алгоритмів у покращенні складу команди та допомозі тим, хто побудує команду. Зокрема, обчислювальні підходи можуть бути використані для формування команд, які розглядають непрямі зв’язки та рекомендують комбінації з вищими оцінками різноманітності. Оскільки алгоритми можуть виявляти більш здійсненні командні комбінації, ніж люди, рішення командобудівників можуть стати більш структурованими, систематичними та комплексними.

Допоміжна інформація

Файл S1. Допоміжні рисунки та таблиці. S1 Рис. Моделювання з використанням метрики діаметра. S2 Рис: Симуляції з використанням метрики Мінімального остовного дерева (MST). Таблиця S1: корпус діаметра. Таблиця S2: Мінімальний випадок Spanning Tree. Таблиця S3: Середня частка стрибків командних комбінацій. (PDF)

Список літератури

1. Ng ESW, Burke RJ. Відповідність особистості та організації та війна за таланти: чи має значення управління різноманітністю? Міжнародний журнал управління людськими ресурсами. 2005 рік; 16(7):1195–1210.https://doi.org/10.1080/09585190500144038

2. Хант В., Лейтон Д., Прінс С. Різноманітність має значення. McKinsey & Company. 2015 рік; 1(1):15–29.

3. Джексон С. Е., Джоші А. Різноманітність робочих команд. У: Довідник APA з промислової та організаційної психології, том 1: Побудова та розвиток організації. Американська психологічна асоціація; 2011. С.651–686.

4. Барак МЕМ, Тревіс Діджей. Соціально-економічні тенденції: розширення екосистеми різноманітності. В: Оксфордський довідник різноманітності та роботи. Oxford University Press; 2012. стор. 393.

5. Mathieu JE, Hollenbeck JR, van Knippenberg D, Ilgen DR. Століття робочих команд у Journal of Applied Psychology. Журнал прикладної психології. 2017 рік; 102(3):452. https://doi.org/10.1037/apl0000128 PMID: 28150984

6. Williams KY, O'Reilly CA III. Демографія та різноманітність в організаціях: огляд 40 років досліджень. Дослідження організаційної поведінки. 1998 рік; 20:77–140.

7. Ван Кніппенберг Д., Де Дре К.К., Хоман А.С. Різноманітність робочої групи та продуктивність групи: інтегративна модель і програма дослідження. Журнал прикладної психології. 2004; 89(6):1008. https://doi.org/10.1037/0021-9010.89.6.1008 PMID: 15584838

8. Сторінка SE. Бонус різноманітності: як чудові команди окупаються в економіці знань. Princeton University Press; 2019 рік.

9. Василеску Б., Поснетт Д., Рей Б., ван ден Бранд М. Дж., Серебреник А., Деванбу П. та ін. Різноманітність статі та термінів перебування в командах GitHub. У: Матеріали 33-ї щорічної конференції ACM про людський фактор в обчислювальних системах. ЧІ'15. Нью-Йорк, Нью-Йорк, США: Асоціація обчислювальної техніки; 2015.стор. 3789–3798. Доступний з:https://doi.org/10.1145/2702123.2702549.

For more information:1950477648nn@gmail.com