Í leit að fjölbreyttum og tengdum teymum: reikniaðferð til að setja saman fjölbreytt lið byggt á meðlimum 2. hluti

Meginframlag þessarar greinar er mótun liðsmyndunarvandans með hliðsjón af fjölbreytileika teyma og kunnugleika meðlima samtímis.

Þekking meðlima og minni eru órjúfanlega tengd. Í vinnunni, sérstaklega í teymi, ræður kunnugleiki meðlima beinlínis skilvirkni og vinnugæði teymisins.

Þekkingarstig meðlima hefur bein áhrif á þegjandi skilning og samvinnu liðsins. Ef þið þekkið hvert annað geturðu sleppt mörgum orðum sem erfitt er að tjá og farið beint í vinnuna, sem bætir vinnuafköst. Ef félagsmenn þekkja ekki hver annan tekur yfirleitt lengri tíma að hafa samskipti og óþarfa árekstrar og ósætti geta komið upp vegna lítils misskilnings.

Að auki hefur kunnugleiki milli meðlima einnig bein áhrif á minnið. Rannsóknir sýna að fólk er líklegra til að muna kunnuglegt fólk og hluti vegna þess að upplýsingarnar eru líklegri til að fanga áhuga okkar og athygli. Í teymisvinnu, ef félagsmenn þekkja hver annan, verður auðveldara að muna óskir og þarfir hvers annars og forðast minnisvillur sem hindra vinnuframvindu.

Þess vegna ættu liðsmenn að reyna að auka kynni sín á milli og auka gagnkvæman skilning og samskipti með ýmsum tækifærum. Nánari tengsl geta myndast með sameiginlegum áhugamálum, samskiptum og samvinnu og þar með bætt samstarf teymi og vinnu skilvirkni og gert starf skilvirkara. Það má sjá að við þurfum að bæta minnið og Cistanche deserticola getur bætt minnið verulega því Cistanche deserticola er hefðbundið kínverskt lækningaefni sem hefur mörg einstök áhrif, ein þeirra er að bæta minni. Virkni hakkaðs kjöts kemur frá hinum ýmsu virku innihaldsefnum sem það inniheldur, þar á meðal sýru, fjölsykrur, flavonoids o.fl. Þessi innihaldsefni geta stuðlað að heilsu heilans á ýmsan hátt.

Smelltu á vita 10 leiðir til að bæta minni

Þó að flestar rannsóknir á teymismyndunaralgrímum hafi litið á kunnáttu meðlima eða persónulegan kostnað sem markmiðsaðgerðir í hópmyndun [36], mótum við þetta hagræðingarvandamál byggt á mismunandi aðgerðum fjölbreytileika (þ.e. misræmi og fjölbreytni eiginleika). Annað framlag þessarar vinnu er hönnun reiknirita fyrir þetta liðsmyndunarvandamál sem úthlutar tiltækum einstaklingum í teymi.

Fyrri liðsmyndunarvandamál hafa aðallega snúist um að finna besta liðið úr riðli og reka þá einstaklinga sem eftir eru [36, 37]. Þessi vinna veitir einnig fræðilegar afleiðingar fyrir hóprannsóknir.

Sérstaklega notkun reiknivéla til að styðja við liðsmyndunarferli [38-40]. Hagnýtar afleiðingar þessarar rannsóknar stuðla að því að nokkur samfélög fjárfestu í að auka fjölbreytileika liðsins.

Þar sem hópsmiðir geta ekki leyst þetta vandamál fljótt með því að athuga hverja hópsamsetningu handvirkt, geta reiknirit gert þetta verkefni sjálfvirkt með því að leiða saman meðlimi sem búa yfir núverandi félagslegum tengingum en á sama tíma með mismunandi bakgrunn, eiginleika og sérfræðistig [41, 42].

Stækka notkun þessa reiknirit til breiðari markhópa gæti veitt nýjum ávinningi fyrir hópa sem leitast við að faðma fjölbreytileika og halda háu þekkingarstigi.

Þessi grein er útbreidd og endurskoðuð útgáfa af bráðabirgðaráðstefnu sem kynnt var í Complex Networks 2020 [43].

Í samanburði við ráðstefnugreinina sýnir þessi útgáfa (a) umfjöllun um reiknirit teymismyndunar, (b) útvíkkar skilgreiningar og gervikóða fyrirhugaðs liðsmyndunarvanda og reiknirit, (c) uppfærir fyrirhugaða reiknirit til að meðhöndla einangraða einstaklinga og þegar fjöldi tiltækra einstaklinga er ekki margfeldi af teymisstærðinni, (d) metur reikniritið með þremur gagnasöfnum til að sanna að hagræðingarvandamál okkar geti virkað á öðrum sviðum teymismyndunar, (e) ber saman frammistöðu þess saman við önnur viðmið margmarka reiknirit, (f) notar megindlega mælikvarða til að bera saman niðurstöður reikniritanna, (g) útskýra niðurstöður og afleiðingar þessarar vinnu fyrir rannsakendur og iðkendur, og (h) útvega forskriftirnar til að forvinna gagnasöfnin, forunnar gagnasöfnin og forskriftirnar með fyrirhugað reiknirit okkar og viðmiðunaralgrím fyrir endurgerðanleika.

Tengd vinna

Tölvunarfræðifræðingar hafa útfært mismunandi aðferðir til að leysa vandamál teymaverkefna [36, 44, 45]. Styrkir hafa komist að þeirri niðurstöðu að að finna hagkvæmustu hópsamsetningar úr hópi einstaklinga sé krefjandi reiknivandamál og það sé jafnvel erfiðara fyrir einstaklinga að leysa það handvirkt.

Þetta er flókið verkefni sem krefst þess að meta allar mögulegar samsetningar meðal meðlima laugarinnar, sem getur orðið óyfirstíganleg samsett áskorun. Miðað við hóp af n meðlimum sem þarf að úthluta í lið af stærð k, verðum við að reikna út endurtekna umbreytingu þar sem við getum valið fyrstu k meðlimi úr n, síðan aðra k meðlimi úr n − k, og svo framvegis. Að því gefnu að k sé margfeldi af n, verðum við að reikna út n/k umbreytingar.

Þar af leiðandi verðum við að reikna út n!/(k!n/k�(n/k)!) mögulegar liðssamsetningar fyrir hóp með n meðlimum. Ef við viljum setja saman teymi af stærð 3 úr bekk með 18 nemendum, þá eru 190.590.400 mögulegar samsetningar (18!/(3! 6�6!)). Þessar samsetningar eru metnar í þáttatíma (þ.e. O(n!)). Þess vegna er þetta verkefni ekki hægt að gera í margliða tíma og krefst mismunandi nálgana til að finna lausnir á skilvirkan hátt.

Nýlegar ritdómar [36, 37, 46] einkenna reiknirit teymismyndunar í samræmi við þrjár meginvíddir: (i) fjölda teyma sem myndast út frá reikniritinu, (ii) eiginleika meðlimanna sem reikniritið tekur til greina og (iii) fjöldinn. af hlutlægum föllum sem reikniritið tekur til greina.

Fjöldi liða

Flestar lausnir leggja til að finna besta mögulega teymið úr tilteknum hópi einstaklinga. „Besta teymið“ aðferðin lítur venjulega á hópmyndunarvandamálið sem verkefnisvandamál, þar sem markmiðið er að finna bestu meðlimi sem geta sett saman teymi.

Lykilframlag til þessara bókmennta byggir á nýjungum í aðferðafræði. Til dæmis, El-Ashmawi o.fl. [47] leitaði að teyminu með minnstan samskiptakostnað meðal liðsmanna með því að nota útfærslu á hagræðingaralgrími agnanna. Bhowmik o.fl. [48] ​​þróaði teymismyndunaralgrím með því að nota fínstillingu undireiningaaðgerða.

Þessi útfærsla finnur besta teymið sérfræðinga með slakar skorður: lið "verða" að hafa einhverja hæfileika á meðan þau "eiga" að hafa aðra. Að lokum, Keane o.fl. [49] notaðu teymisalgrím sem notar ramma sem eykur halla til að finna lágmarkshópinn með sérfræðingum sem geta unnið saman á áhrifaríkan hátt. Takmörkun þessara aðferða er að þær bjóða aðeins upp á eitt „besta“ lið frekar en mörg lið sem innihalda alla meðlimi úr tiltækum hópi.

Nokkrar rannsóknir hafa kannað vandamálið við að úthluta öllum tiltækum einstaklingum í teymi. Oneapproach er að mynda mörg teymi með endurteknum heuristics. Í þessu tilviki eru lið sett saman með því að draga k meðlimi úr lauginni í samræmi við hlutlæga aðgerð þar til ekki fleiri meðlimir eru eftir án liðs.

Eitt dæmi er Agrawal o.fl. [50], sem lagði til heuristicalgorithms til að hámarka ávinninginn (eða lágmarka kostnaðinn) sem safnast saman yfir öll liðin sem voru sett saman úr hópi tiltækra einstaklinga.

Þessi grein kynnir tvö ítrekuð heuristic reiknirit sem sameina „sterka“ meðlimi með öðrum sem eru „veikari“ en þeir. Fyrir vikið er sérfræðingum dreift á nokkur teymi. Önnur aðferð er að móta hópmyndunarvandamálið sem skiptingarvandamál. A hópi einstaklinga er skipt í teymi með því að nota heuristicmetrics fyrir öll samansett lið.

Sumar útfærslur nota klasaalgrím sem miða að því að finna meðlimi sem deila svipuðum eiginleikum. Nokkur dæmi eru útfærsla Nurjanah o.fl. [51] sem notar Fuzzy C-Means til að klasa einstaklinga í einsleit teymi [51] og innleiðing Srba og Bielikova [52] sem flokkar nemendur eftir sérstökum samstarfseiginleikum.

Þriðja aðferðin er að finna skilvirkar hópasamsetningar með því að nota þróunaralgrím [53, 54]. Í hnotskurn byrja þróunar reiknirit að úthluta öllum meðlimum í handahófskennd teymi og breyta síðan aðild einstaklinga ítrekað til að finna betri liðssamsetningar. Eftir að hafa metið samsetningarnar með því að nota ákveðnar hlutlægar aðgerðir, halda þróunaralgrím bestu liðssamsetningarnar til að finna nýjar samsetningar í endurtekningu.

Eitt dæmi er Agustı´n-Blas o.fl. [53], sem þróaði erfðafræðilegt reiknirit sem skipuleggur einstaklinga í hópa og leitar að hópasamsetningum sem hámarka nauðsynlegar auðlindir hópa.

Eiginleikar félagsmanna

Önnur víddin beinist að eiginleikum meðlimanna sem reikniritið skoðar. Reikniritin miða að því að finna meðlimi sem hámarka sérstaka teymiseiginleika, svo sem fjölda félagslegra tengsla meðal meðlima eða fjölda færni sem teymið nær yfir.

Flest reiknirit setja nærveru kunnáttu (eða sérfræðiþekkingar) í teymi sem meginmarkmið. Dæmi um þessa nálgun er reiknirit Zakarian og Kusiak [55], sem notar stærðfræðilega forritun til að finna meðlimi sem leggja tiltekna færni til liðsins.

Aðrar reikniútfærslur leggja til að meðlimum sé úthlutað í samræmi við hlutverk þeirra. Reiknirit sem byggir á þessari nálgun er Yannibelli o.fl. [56], sem þróaði þróunarlega nálgun sem setur saman nemendahópa með því að úthluta meðlimum í ákveðin hlutverk.

Þar að auki geta reiknirit innihaldið samfélagsnet meðlima þegar þeir mynda teymi. Lappas o.fl. [57] leitaðu að besta liðinu með minnstu félagslegu fjarlægð meðal meðlima (þ.e. staðgengill fyrir samskiptakostnað).

Þessi grein leggur til tvö reiknirit sem kallast „Rarest First“ og „Enhanced Steiner“. Í ljósi þess vandamáls að setja saman besta teymið af stærð k með meðlimum sem hafa hæfileika til að leysa verkefni T af samfélagsneti G, leitar fyrsta reikniritið að minnsta mögulega þvermál línurits meðal k meðlima sem hafa hæfileika til að leysa T. Seinni reikniritið leitar fyrir minnsta hlutmengi brúna sem tengir k meðlimi við hæfileika til að leysa T (þ.e. lágmarksspennandi tré).

Báðar reikniritin munu miða að því að finna besta liðið sem mögulegt er miðað við tiltekið samfélagsnet. Aðrar útfærslur líta á starfsmannakostnað, framboð meðlima og vinnuálagsjafnvægi meðal meðlima sem hluta af myndun teymisvandans [58].

For more information:1950477648n@gmail.com