در جستجوی تیم‌های متنوع و مرتبط: یک رویکرد محاسباتی برای جمع‌آوری تیم‌های متنوع بر اساس اعضا قسمت 8

کمک دیگر این کار، یافتن ترکیب‌های تیمی مشابهی است که افراد می‌توانند جمع‌آوری کنند، اما با سطوح تنوع بالا. همانطور که مطالعات قبلی نشان داده است، افراد تمایل دارند با افراد شایسته و کسانی که با آنها آشنا هستند تیم تشکیل دهند و احتمال رضایت و تعهد نسبت به تیم را افزایش دهند [28، 82].

کار تیمی یک توانایی بسیار مهم در جامعه مدرن است. این به چندین نفر اجازه می دهد تا با هم کار کنند تا به تکمیل موفقیت آمیز یک پروژه یا کار کمک کنند. حافظه نیز یک ویژگی بسیار مهم در یک تیم است. پس چه رابطه ای بین ترکیب تیم و حافظه وجود دارد؟

اول، تأثیر ترکیب تیم بر حافظه آشکار است. افراد مختلف مهارت ها و تخصص های متفاوتی دارند و از طریق ترکیب های مختلف می توان توانایی های کلی تیم را به حداکثر رساند. زمانی که هر یک از اعضا نقاط قوت خود را به حداکثر برسانند، کارایی تیم را می توان به حداکثر رساند که همچنین می تواند شور و ابتکار هر یک از اعضا را تحریک کند و در نتیجه به بهبود حافظه تیم کمک کند.

ثانیا، ارتباط در یک تیم نیز در بهبود حافظه بسیار مفید است. در یک تیم، ارتباط و همکاری مکرر بین اعضا مورد نیاز است، که باعث ارتقای ارتباطات می شود و به همه اجازه می دهد تا همه جنبه های پروژه یا کار را بهتر درک کنند. تعمیق دانش و درک وظایف از طریق ارتباط می تواند حافظه را تا حد زیادی بهبود بخشد.

در نهایت، جو تیم نیز تأثیر خاصی بر حافظه دارد. یک تیم مثبت و پرشور می تواند به اعضا کمک کند نگرش خوبی داشته باشند و همه را درگیر و متمرکزتر روی پروژه ها یا وظایف کند. این جو مثبت برای بهبود حافظه بسیار مفید است.

به طور خلاصه، بین ترکیب تیم و حافظه ارتباط وجود دارد. از طریق ترکیب معقول، ارتباط خوب و جو مثبت، تیم می تواند حداکثر هم افزایی خود را اعمال کند، بنابراین حافظه کلی را بهبود می بخشد. بنابراین، کار تیمی خوب ضروری است که می تواند باعث رشد توانایی های فردی و توسعه کل تیم شود که این نیز یکی از عوامل مهم موفقیت شرکت های مدرن است. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانش دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد، زیرا سیستانش دسرتیکولا می تواند تعادل انتقال دهنده های عصبی مانند افزایش سطح استیل کولین و فاکتورهای رشد را نیز تنظیم کند. این مواد برای حافظه و یادگیری بسیار مهم هستند. علاوه بر این، گوشت همچنین می تواند جریان خون را بهبود بخشد و اکسیژن رسانی را تقویت کند، که می تواند اطمینان حاصل کند که مغز مواد مغذی و انرژی کافی را دریافت می کند و در نتیجه نشاط و استقامت مغز را بهبود می بخشد.

روی یادداشت حافظه کوتاه مدت نحوه بهبود کلیک کنید

این واقعیت در مجموعه داده MyDreamTeam با مقایسه هزینه‌های ارتباطی کمتر تیم‌های خود مونتاژ شده و هزینه‌های ارتباطی بالاتر تیم‌هایی که به‌طور تصادفی تولید می‌شوند نشان داده می‌شود.

الگوریتم پیشنهادی ترکیب‌های تیمی را با هزینه‌های ارتباطی کمتر نسبت به تیم‌های خودساخته پیدا کرد، که نشان می‌دهد افراد شهودی در تشکیل تیم‌های به خوبی مرتبط دارند.

با این حال، آنها فاقد دانش قابل اعتماد از ارتباطات مرتبه بالاتر بین خود هستند. توضیح احتمالی این تفاوت که توسط الگوریتم یافت می‌شود، چالش بزرگی است که افراد برای کشف و استفاده از ارتباطات غیرمستقیم، مانند مخاطبین مشترک یا همکاران گذشته مشترک، دارند.

چه افراد تیم های خود را جمع آوری کنند و چه سازندگان تیم آنها را طراحی کنند، در نظر گرفتن ارتباطات غیر مستقیم اعضای تیم کار آسانی نیست زیرا ارتباطات غیرمستقیم چندان قابل مشاهده نیستند.

در مقابل، الگوریتم ما در در نظر گرفتن ساختار شبکه اجتماعی گسترده تر با توجه به دیدگاه جهانی روابط بین اعضا برتر است. با استفاده از این رویکرد الگوریتمی، افراد و مدیران می توانند از طریق روابط فعلی خود نسبت به هم تیمی های بالقوه متنوع خود آگاهی بیشتری داشته باشند.

حتی اگر دو عضو تیم به طور مستقیم یکدیگر را نشناسند، همکاری با یک "دوست دوست" یا ارتباط غیرمستقیم مشترک می تواند به طور بالقوه آشنایی و امنیت روانی را در تیم ها ارتقا دهد [83-85].

علاوه بر این، ما متوجه شدیم که تیم‌های خود مونتاژ شده MyDreamTeam نسبت به تیم‌هایی که به‌طور تصادفی توسط الگوریتم‌ها تولید می‌شوند، تنوع کمتری دارند. این گرایش ناشی از همجنسگرایی با ادبیات قبلی سازگار است و نشان می دهد که افراد ترجیح می دهند با دیگرانی که ویژگی های مشابهی دارند متحد شوند [65].

فرمول‌بندی این مشکل تشکیل تیم فرصت‌های جدیدی را برای تقویت تنوع تیم نسبت به تیم‌های خودساخته فراهم می‌کند، در حالی که همچنان آشنایی بالای اعضای تیم را در نظر می‌گیرد. یکی از مزیت های اصلی تشکیل تیم ها به این روش، کاهش تعصبات افراد است.

از آنجایی که افراد به طور طبیعی به سمت تشکیل تیم هایی با افراد مشابه می روند، آنالگوریتمی مانند الگوریتم پیشنهادی می تواند فرآیند تصمیم گیری افراد را تقویت کند.

به جای اتصالاتی که بر اساس ترجیحات افراد هدایت می شود، این الگوریتم می تواند هماهنگی جمعی را با تنظیم ترکیب های تیمی بهتری که می تواند انتظارات افراد را برآورده کند، اعمال کند. این رویکرد چندهدفه می‌تواند به افراد اجازه دهد راه‌حل‌های عملی را بیابند که تنوع را افزایش می‌دهد، بدون اینکه آشنایی در تیم به خطر بیفتد.

مفاهیم

این کار مفاهیم نظری را برای تحقیقات تیمی ارائه می دهد. به طور خاص، استفاده از مکانیسم های محاسباتی برای پشتیبانی از فرآیندهای تشکیل تیم. ادبیات شکل‌گیری تیم را بر مکانیزم‌های رفتاری متمرکز می‌کند، جایی که تیم‌ها می‌توانند توسط نیروهای داخلی یا خارجی و بر اساس شباهت، آشنایی و شایستگی جمع شوند [28، 86].

با فرمول‌بندی و اجرای این مسئله بهینه‌سازی چندهدفه، ترکیب‌های تیمی متنوع و مرتبطی را یافتیم که افراد نمی‌توانستند پیش‌بینی کنند. این کار به محققان تیم اجازه می دهد تا در مورد نقش فناوری ها در ایجاد ساختارهای سازمانی جدید در بین افراد و سازمان ها فکر کنند، که می تواند منجر به نظریه های جدید تشکیل تیم و معرفی فناوری ها شود [38-40].

پیامدهای عملی این مطالعه به چندین جامعه کمک می کند که در افزایش تنوع تیمی سرمایه گذاری کرده اند: مدیرانی که تیم های موثر و متنوعی را جمع آوری می کنند، مربیانی که تیم های دانشجویی متنوع تر تشکیل می دهند، شرکت هایی که گروه های ناهمگون را از واحدهای تجاری مختلف تشکیل می دهند، آژانس های فضایی مانند ناسا تشکیل خدمه فضایی برای اکتشاف فضایی طولانی مدت را تشکیل می دهند. مریخ و محققان در حال بررسی استفاده از الگوریتم ها برای سازماندهی تیم های علمی.

گسترش استفاده از این الگوریتم به مخاطبان گسترده‌تر می‌تواند مزایای جدیدی را برای گروه‌هایی که به دنبال پذیرش تنوع و حفظ سطح آشنایی بالا هستند، ارائه دهد. علاوه بر این، توسعه دهندگان و طراحان نرم افزار می توانند از مفاهیم این مطالعه برای رویه ها و دستورالعمل های جدید هوش مصنوعی در سازماندهی کارگران استفاده کنند.

در نهایت، این کار رویکردهای محاسباتی بیشتری را برای غنی‌سازی فرآیندهای تشکیل تیم ارائه می‌کند [45، 87].

از آنجایی که سازندگان تیم نمی‌توانند این مشکل را با بررسی دستی هر ترکیب تیمی به سرعت حل کنند، الگوریتم‌ها می‌توانند این کار را با گرد هم آوردن اعضایی که دارای ارتباطات اجتماعی موجود هستند و در عین حال دارای پیش‌زمینه، ویژگی‌ها و سطوح تخصص متفاوتی هستند، خودکارسازی کنند. انتظار داریم این کار با در نظر گرفتن تنوع و شبکه های اجتماعی به تشکیل تیم های ناهمگن کمک کند.

یکی دیگر از کیفیت های این رویکرد، افزودن اهداف بیشتر به مسئله تشکیل تیم است. برای مثال، سازندگان تیم می توانند سایر عملکردهای هدف مانند فاصله جغرافیایی بین شرکت کنندگان، هزینه های پرسنل یا محدودیت های در دسترس را به حداقل برسانند.

به همین ترتیب، این مشکل چندهدفه می تواند ویژگی های اعضا را در زمانی که تنوع مطلوب نیست، در خود جای دهد. برخی از بررسی‌های متا قبلی نشان می‌دهند [14، 88]، داشتن تیمی با افراد مشابه ممکن است برای کارهای کم‌سختی یا زمانی که کارایی (به جای خلاقیت) هدف است، مطلوب باشد.

علاوه بر این، ممکن است مطلوب باشد که برخی از ویژگی‌ها مانند شخصیت یا تخصص به جای متفاوت بودن، مشابه باشند [89].

این مسئله تشکیل تیم می‌تواند تابع هدف دیگری را اضافه کند که تنوع تیم‌ها را در برخی ویژگی‌ها با استفاده از معیارهای تعریف شده توسط هریسون و کلین [30] به حداقل می‌رساند. بنابراین، یکی از کاربردهای بالقوه این الگوریتم، به حداکثر رساندن تنوع در ویژگی‌های برخی از اعضا در حالی است که تنوع را به حداقل می‌رساند. سایر صفات

با توجه به مبادله انعطاف پذیر این رویکرد چند هدفه، سازندگان تیم باید کدام راه حل را از جبهه پارتو در نظر بگیرند؟ ترکیب سایر معیارها (به عنوان مثال، عملکرد فردی، انسجام تیمی، مکان اعضا) می تواند به سازندگان تیم کمک کند تا یک ترکیب تیمی خاص را انتخاب کنند.

محدودیت ها و کارهای آینده

مهم است که محدودیت های این مقاله را بپذیریم. اول، معیارهای تنوع و هزینه‌های ارتباطی به‌طور خاص برای هر شبکه منحصربه‌فرد مقیاس‌بندی شدند و نمی‌توان آنها را در میان مجموعه‌های مختلف شرکت‌کنندگان مقایسه کرد.

دوم، معیار تنوع، مجموع معیارهای تنوع چندگانه برای هر ویژگی نمونه برداری شده است. بنابراین، اختصاص دادن معنای واقعی به معیار تنوع جدا از تفاوت های نسبی در همان شبکه دشوار است. پیاده‌سازی‌های آتی باید در نظر بگیرند که چگونه معیارهای مختلف تنوع را می‌توان به طور جداگانه و با توجه به مجموعه خاص شرکت‌کنندگان تحلیل کرد.

اینها همچنین ممکن است تنوع را روی ابعاد مختلف وزن کنند یا معیارهای تنوع را به عنوان توابع هدف متفاوت در مسئله بهینه‌سازی عملیاتی کنند. سوم، تشکیل تیم‌های علمی و تیم‌های نرم‌افزاری در واقعیت پیچیده‌تر است: اعضای جدید می‌توانند در طول زمان اضافه شوند، برخی تخصص‌ها لازم است، همه این تیم‌ها اهداف، اندازه‌ها یا محدودیت‌های یکسانی ندارند و تنوع ممکن است تنها برای اهداف مفید باشد.

ما معتقدیم استفاده از دو مجموعه داده آخر نباید نگران کننده باشد زیرا ما از آنها فقط برای آزمایش کارایی و نتایج الگوریتم ها استفاده می کنیم. این الگوریتم تشکیل تیم می‌تواند تشکیل تیم‌های علمی و نرم‌افزاری واقعی را با یافتن ترکیب‌های متنوع‌تر و مرتبط‌تر هدایت کند. چهارم، ما توصیه‌های خاصی برای ویژگی‌های تنوع جمعیتی یا عملکردی ارائه نمی‌دهیم.

مطالعات قبلی نشان داده‌اند که چگونه تأثیرات تنوع بر عملکرد تیم توسط عوامل زمینه‌ای و فرآیندهای تیمی واسطه می‌شود [14]. تیم سازانی که می خواهند این الگوریتم را مدیریت کنند باید با توجه به اهداف سازمانی و زمینه خاص خود در مورد افزودن متغیرهای جمعیت شناختی و شناختی فکر کنند و تصمیم بگیرند. پنجم، جمع آوری داده های شبکه های اجتماعی می تواند کار بزرگی برای سازندگان تیم باشد.

ارزیابی روابط افراد می تواند با انجام نظرسنجی، بررسی شبکه های ارتباطی یا ردیابی داده های دیجیتالی انجام شود [90]. یکی دیگر از استراتژی های بالقوه برای ایجاد شبکه های اجتماعی افراد، پرسیدن در مورد ترجیحات هم تیمی آنها است.

این الگوریتم می‌تواند ترکیب‌های تیمی متنوعی را بر اساس پاسخ‌های افراد پیدا کند [91]. در نهایت، نمی توان تضمین کرد که عملکرد تیم های مونتاژ شده توسط این الگوریتم بهتر از سایر استراتژی های تشکیل تیم باشد.

مطالعات قبلی نتایج متفاوتی را برای تأثیر مستقیم تنوع بر عملکرد تیم در همه زمینه ها [14] و همچنین مزیت استفاده از رویکردهای الگوریتمی برای تشکیل تیم [92] نشان داده است.

تحقیقات دیگر همچنین نشان داده است که وقتی افراد فاقد عاملیت برای تشکیل تیم‌های خود هستند، کمتر متعهد به گروه خود هستند [93، 94]. کار آینده باید استفاده از این الگوریتم را برای جمع‌آوری گروه‌های واقعی و ارزیابی عملکرد آنها در مقایسه با تیم‌هایی که به‌طور تصادفی توسط یک مدیر اختصاص داده شده است، در نظر بگیرد.

کار آینده باید محدودیت‌های جدیدی را به عملکرد چند هدفه اضافه کند، مانند در نظر گرفتن نقش‌های وظیفه‌ای خاص در تیم‌ها، اضافه کردن رهبران به هر تیم، یا کنار گذاشتن ترکیب‌های تیمی خاصی که در آن برخی افراد نمی‌خواهند با هم کار کنند.

استفاده از شبکه های وزن دار همچنین می تواند اطلاعات دقیق تری در مورد قدرت روابط اجتماعی افراد ارائه دهد. یکی از کاربردهای بالقوه، تمایز افرادی است که متقابل مکرر دارند از کسانی که به سختی با یکدیگر صحبت می کنند [95]. یک نمونه از زمینه های بالقوه بهبود، ایجاد یک تنظیم خودکار برای وزن های اختصاص داده شده برای هر ویژگی تنوع با توجه به یک جمعیت خاص است.

اگر الگوریتم قبل از انجام فرآیند تشکیل تیم، ویژگی‌های دسته‌بندی و عددی افراد را بررسی کند، می‌تواند ویژگی‌هایی را که تنوع بیشتری دارند و آنهایی که در بین افراد کمیاب هستند را شناسایی کند.

سپس، الگوریتم می تواند اهمیت هر ویژگی تنوع را در تابع هدف تعریف کند. در نهایت، الگوریتم را می توان به عنوان یک پلت فرم وب پیاده سازی کرد تا فرصت های بیشتری را برای مدیران، مدرسان یا محققان برای جمع آوری تیم ها فراهم کند.

نتیجه

این کار به مشکل جمع آوری تیم ها از یک شبکه اجتماعی می پردازد که هم تنوع و هم آشنایی را به حداکثر می رساند. ما یک تابع چند هدفه را برای این مشکل فرموله کردیم و یک الگوریتم ژنتیک را برای یافتن تیم‌های متنوع به خوبی به هم پیوسته پیاده‌سازی کردیم. در یک ارزیابی تجربی کامل، عملکرد الگوریتم پیشنهادی خود را ارزیابی کردیم و آن را با رویکردهای پایه مقایسه کردیم.

ما نقش بالقوه الگوریتم ها را در تقویت ترکیب تیم و کمک به سازندگان تیم مورد بحث قرار دادیم. به طور خاص، از رویکردهای محاسباتی می توان برای تشکیل تیم هایی استفاده کرد که ارتباطات غیرمستقیم را در نظر می گیرند و ترکیب هایی با امتیازهای تنوع بالاتر را توصیه می کنند. از آنجایی که الگوریتم‌ها می‌توانند ترکیب‌های تیمی عملی‌تری را نسبت به انسان‌ها کشف کنند، تصمیمات سازندگان تیم می‌تواند ساختارمندتر، سیستماتیک‌تر و جامع‌تر شود.

اطلاعات پشتیبانی

فایل S1. شکل ها و جداول پشتیبان شکل S1: شبیه سازی با استفاده از متریک قطر. شکل S2: شبیه سازی با استفاده از متریک حداقل درخت پوشا (MST). جدول S1: مورد قطر. S2Table: حداقل پوشش درختی. جدول S3: میانگین نسبت هاپ ترکیب های تیمی. (PDF)

منابع

1. Ng ESW، Burke RJ. تناسب افراد - سازمان و جنگ برای استعدادها: آیا مدیریت تنوع تفاوت ایجاد می کند؟ مجله بین المللی مدیریت منابع انسانی. 2005; 16 (7): 1195-1210.https://doi.org/10.1080/09585190500144038

2. Hunt V, Layton D, Prince S. تنوع مهم است. مک کینزی و شرکت. 2015; 1 (1): 15-29.

3. جکسون SE، Joshi A. تنوع تیم کار. در: راهنمای APA روانشناسی صنعتی و سازمانی، جلد 1: ساخت و توسعه سازمان. انجمن روانشناسی آمریکا؛ 2011. ص.651–686.

4. باراک MEM، تراویس دی جی. روندهای اجتماعی و اقتصادی: گسترش اکوسیستم تنوع در: کتاب آکسفورد تنوع و کار. انتشارات دانشگاه آکسفورد؛ 2012. ص. 393.

5. Mathieu JE, Hollenbeck JR, Van Knippenberg D, Ilgen DR. یک قرن تیم کاری در مجله روانشناسی کاربردی. مجله روانشناسی کاربردی. 2017; 102 (3): 452. https://doi.org/10.1037/apl0000128 PMID: 28150984

6. Williams KY، O'Reilly CA III. جمعیت شناسی و تنوع در سازمان ها: مروری بر 40 سال تحقیق. تحقیق در مورد رفتار سازمانی 1998; 20:77-140.

7. Van Knippenberg D, De Dreu CK, Homan AC. تنوع گروه کاری و عملکرد گروه: یک مدل یکپارچه و دستور کار تحقیقاتی مجله روانشناسی کاربردی. 2004; 89 (6): 1008. https://doi.org/10.1037/0021-9010.89.6.1008 PMID: 15584838

8. صفحه SE. امتیاز تنوع: تیم‌های بزرگ در اقتصاد دانش چقدر سود می‌دهند. انتشارات دانشگاه پرینستون؛ 2019.

9. Vasilescu B, Posnett D, Ray B, van den Brand MGJ, Serebrenik A, Devanbu P, et al. تنوع جنسیتی و تصدی در تیم های GitHub. در: مجموعه مقالات سی و سومین کنفرانس سالانه ACM در مورد سیستم های محاسباتی عوامل انسانی. CHI'15. نیویورک، نیویورک، ایالات متحده آمریکا: انجمن ماشین‌های محاسباتی. 2015.p. 3789–3798. موجود از:https://doi.org/10.1145/2702123.2702549.

For more information:1950477648nn@gmail.com