Em Busca de Equipes Diversas e Conectadas: Uma Abordagem Computacional para Montar Equipes Diversas Baseadas em Membros Parte 2

A principal contribuição deste artigo é a formulação do problema de formação de equipes considerando simultaneamente os níveis de diversidade das equipes e a familiaridade dos membros.

A familiaridade e a memória dos membros estão inextricavelmente ligadas. No trabalho, principalmente em equipe, a familiaridade entre os membros determina diretamente a eficiência e a qualidade do trabalho da equipe.

O nível de familiaridade entre os membros afeta diretamente o entendimento tácito e a colaboração da equipe. Se vocês se conhecem, podem omitir muitas palavras difíceis de expressar e começar a trabalhar diretamente, melhorando a eficiência do trabalho. Se os membros não estiverem familiarizados uns com os outros, normalmente demora mais tempo a comunicar e podem surgir conflitos e desentendimentos desnecessários devido a pequenos mal-entendidos.

Além disso, a familiaridade entre os membros também afeta diretamente a memória. A pesquisa mostra que as pessoas são mais propensas a se lembrar de pessoas e coisas conhecidas porque é mais provável que a informação capte nosso interesse e atenção. No trabalho em equipe, se os membros estiverem familiarizados, será mais fácil lembrar os desejos e necessidades uns dos outros e evitar erros de memória que atrapalhem o andamento do trabalho.

Portanto, os membros da equipe devem tentar aumentar a familiaridade uns com os outros e melhorar a compreensão mútua e a comunicação através de diversas oportunidades. Relacionamentos mais próximos podem ser estabelecidos por meio de hobbies comuns, comunicação e cooperação, melhorando assim a colaboração em equipe e a eficiência do trabalho e tornando o trabalho mais eficaz. Percebe-se que precisamos melhorar a memória, e a Cistanche deserticola pode melhorar significativamente a memória porque a Cistanche deserticola é um material medicinal tradicional chinês que tem muitos efeitos únicos, um dos quais é melhorar a memória. A eficácia da carne picada vem dos vários ingredientes ativos que contém, incluindo ácidos, polissacarídeos, flavonóides, etc. Esses ingredientes podem promover a saúde do cérebro de várias maneiras.

Clique em conhecer 10 maneiras de melhorar a memória

Embora a maioria dos estudos em algoritmos de formação de equipes tenha considerado as habilidades dos membros ou custos pessoais como funções objetivo de formação de equipes [36], formulamos esse problema de otimização com base em diferentes operacionalizações da diversidade (isto é, disparidade e variedade de atributos). A segunda contribuição deste trabalho é o projeto de algoritmos para este problema de formação de equipes que atribui todos os indivíduos disponíveis a uma equipe.

Os problemas anteriores de formação de equipes concentraram-se principalmente em encontrar a melhor equipe em um grupo e descartar os indivíduos restantes [36, 37]. Este trabalho também fornece implicações teóricas para pesquisas em equipe.

Em particular, o uso de mecanismos computacionais para apoiar os processos de formação de equipes [38–40]. As implicações práticas deste estudo contribuem para que diversas comunidades invistam no aumento da diversidade das equipes.

Como os teambuilders não podem resolver este problema rapidamente verificando manualmente cada combinação de equipe, os algoritmos podem automatizar esta tarefa reunindo membros que possuem conexões sociais existentes e, ao mesmo tempo, de diferentes origens, características e níveis de especialização [41, 42].

Expandir o uso deste algoritmo para públicos mais amplos poderia trazer novos benefícios para grupos que buscam abraçar a diversidade e manter altos níveis de familiaridade.

Este artigo é uma versão ampliada e revisada de um anais preliminares de conferência apresentado em Complex Networks 2020 [43].

Comparada com o artigo da conferência, esta versão (a)apresenta uma revisão dos algoritmos de formação de equipe, (b) estende as definições e pseudocódigos do problema e algoritmo de formação de equipe proposto, (c) atualiza o algoritmo proposto para lidar com indivíduos isolados e quando o o número de indivíduos disponíveis não é um múltiplo do tamanho da equipe, (d) avalia o algoritmo com três conjuntos de dados para provar que nosso problema de otimização pode funcionar em outros domínios de formação de equipe, (e) compara seu desempenho com outros algoritmos multiobjetivos de referência, (f) usa métricas quantitativas para comparar os resultados dos algoritmos, (g) elabora as descobertas e implicações deste trabalho para pesquisadores e profissionais, e (h) fornece os scripts para pré-processar os conjuntos de dados, os conjuntos de dados pré-processados ​​e os scripts com nosso algoritmo proposto e algoritmos de benchmark para fins de reprodutibilidade.

Trabalho relatado

Estudiosos da ciência da computação elaboraram diferentes abordagens para resolver o problema de atribuições de equipe [36, 44, 45]. Scholarship concluiu que encontrar as combinações de equipe mais eficientes a partir de um conjunto de indivíduos é um problema computacional desafiador e é ainda mais difícil para os indivíduos resolverem manualmente.

É uma tarefa complexa que exige avaliar todas as combinações possíveis entre os membros de um pool, o que pode se tornar um desafio combinatório intransponível. Dado um conjunto de n membros que devem ser distribuídos em equipes de tamanho k, devemos calcular uma permutação iterativa onde podemos selecionar os primeiros k membros de n, depois outros k membros de n − k, e assim por diante. Supondo que k é um múltiplo de n, temos que calcular n/k permutações.

Como resultado, devemos calcular n!/(k!n/k�(n/k)!) combinações de equipe possíveis para um conjunto de n membros. Se quisermos montar equipes de tamanho três de uma turma de 18 alunos, existem 190.590.400 combinações possíveis (18!/(3! 6�6!)). Essas combinações são avaliadas em tempo fatorial (ou seja, O(n!)). Portanto, esta tarefa não pode ser realizada em tempo polinomial e exige diferentes abordagens para encontrar soluções de forma eficiente.

Revisões recentes da literatura [36, 37, 46] caracterizam algoritmos de formação de equipes de acordo com três dimensões principais: (i) o número de equipes que resultam do algoritmo, (ii) os atributos dos membros considerados pelo algoritmo, e (iii) o número de funções objetivo consideradas pelo algoritmo.

Número de equipes

A maioria das soluções propõe encontrar a melhor equipe possível em um determinado grupo de indivíduos. A abordagem da “melhor equipe” geralmente considera o problema de formação de equipe como um problema de atribuição, onde o objetivo é encontrar os melhores membros que possam montar uma equipe.

As principais contribuições para esta literatura baseiam-se em inovações metodológicas. Por exemplo, El-Ashmawi et al. [47] procuraram a equipe com os menores custos de comunicação entre os membros da equipe usando uma implementação do algoritmo de otimização de enxame de partículas. Bhowmik et al. [48] ​​desenvolveram um algoritmo de formação de equipe usando uma otimização de função submodular.

Esta implementação encontra a melhor equipe de especialistas com restrições relaxadas: as equipes “devem” ter algumas habilidades enquanto “devem” ter outras. Por último, Keane et al. [49] empregam um algoritmo de formação de equipe usando uma estrutura de aumento de gradiente para encontrar a equipe mínima com especialistas que possam trabalhar juntos de maneira eficaz. Uma limitação desses métodos é que eles fornecem apenas uma única "melhor" equipe, em vez de múltiplas equipes que incluem todos os membros do grupo disponível.

Alguns estudos exploraram o problema de atribuir todos os indivíduos disponíveis às equipes. Oneapproach está formando múltiplas equipes por meio de heurísticas iterativas. Neste caso, as equipes são montadas extraindo k membros do pool de acordo com uma função objetivo até que não haja mais membros sem equipe.

Um exemplo é Agrawal et al. [50], que propôs algoritmos heurísticos para maximizar o ganho (ou minimizar o custo) agregado sobre todas as equipes montadas a partir de um conjunto de indivíduos disponíveis.

Este artigo apresenta dois algoritmos heurísticos iterativos que unem membros “fortes” com outros que são “mais fracos” que eles. Como resultado, os especialistas são distribuídos por diversas equipes. Uma segunda abordagem é formular o problema de formação de equipes como um problema de partição. Um conjunto de indivíduos é dividido em equipes usando métricas heurísticas para todas as equipes reunidas.

Algumas implementações utilizam algoritmos de agrupamento que visam encontrar membros que compartilhem características semelhantes. Alguns exemplos são a implementação de Nurjanah et al. [51] que utiliza Fuzzy C-Means para agrupar indivíduos em equipes homogêneas [51], e a implementação de Srba e Bielikova [52] que agrupa estudantes de acordo com características colaborativas específicas.

Uma terceira abordagem é encontrar combinações de equipes eficientes usando algoritmos evolutivos [53, 54]. Em poucas palavras, os algoritmos evolutivos começam a atribuir todos os membros a equipes aleatórias e depois alteram as associações dos indivíduos iterativamente para encontrar melhores combinações de equipes. Após avaliar as combinações usando determinadas funções objetivo, os algoritmos evolutivos mantêm as melhores combinações do time para encontrar novas combinações na próxima iteração.

Um exemplo é Agustín-Blas et al. [53], que desenvolveram um algoritmo genético que organiza indivíduos em grupos e busca combinações de equipes que maximizem os recursos necessários aos grupos.

Atributos dos membros

A segunda dimensão concentra-se nos atributos dos membros considerados pelo algoritmo. Os algoritmos visam encontrar membros que maximizem atributos específicos da equipe, como o número de conexões sociais entre os membros ou o número de habilidades abrangidas pela equipe.

A maioria dos algoritmos define a presença de habilidades (ou conhecimentos) em uma equipe como objetivo principal. Uma ilustração dessa abordagem é o algoritmo de Zakarian e Kusiak [55], que utiliza programação matemática para encontrar membros que contribuam com uma habilidade específica para a equipe.

Outras implementações computacionais propõem atribuir membros de acordo com suas funções. Um algoritmo baseado nesta abordagem é Yannibelli et al. [56], que desenvolveram uma abordagem evolutiva que monta equipes de estudantes atribuindo membros a funções específicas.

Além disso, os algoritmos podem incluir as redes sociais dos membros na formação de equipes. Lappas et al. [57] buscam a melhor equipe com a menor distância social entre os membros (ou seja, um substituto para os custos de comunicação).

Este artigo propõe dois algoritmos chamados "Rarest First" e "Enhanced Steiner". Dado o problema de montar a melhor equipe de tamanho k com membros que tenham habilidades para resolver uma tarefa T de uma rede social G, o primeiro algoritmo busca o menor diâmetro de gráfico possível entre k membros que tenham habilidades para resolver T. O segundo algoritmo busca para o menor subconjunto de arestas que conecta k membros com as habilidades para resolver T (ou seja, árvore geradora mínima).

Ambos os algoritmos terão como objetivo encontrar a melhor equipe possível em uma determinada rede social. Outras implementações consideram o custo com pessoal, a disponibilidade dos membros e o equilíbrio da carga de trabalho entre os membros como parte do problema de formação de equipe [58].

For more information:1950477648n@gmail.com