A la recerca d'equips diversos i connectats: un enfocament computacional per reunir equips diversos basats en membres Part 8

Una altra contribució d'aquest treball és trobar combinacions d'equips similars que els individus reunirien, però amb nivells de diversitat millorats. Com han trobat estudis previs, les persones tendeixen a formar equips amb persones competents i persones que els coneixen, augmentant la probabilitat de satisfacció i compromís amb l'equip [28, 82].

El treball en equip és una habilitat molt important a la societat moderna. Permet que diverses persones treballin juntes per promoure la finalització amb èxit d'un projecte o tasca. La memòria també és una qualitat molt important en un equip. Aleshores, quina relació hi ha entre la composició de l'equip i la memòria?

En primer lloc, l'impacte de la composició de l'equip en la memòria és evident. Diferents persones tenen diferents habilitats i experiència, i mitjançant diferents combinacions, es poden maximitzar les capacitats generals de l'equip. Quan cada membre maximitza els seus punts forts, es pot maximitzar l'eficiència de l'equip, fet que també pot estimular l'entusiasme i la iniciativa de cada membre, ajudant així a millorar la memòria de l'equip.

En segon lloc, la comunicació en equip també és molt útil per millorar la memòria. En equip, es requereix una comunicació i col·laboració freqüent entre els membres, que afavoreix la comunicació i permet que tothom entengui millor tots els aspectes del projecte o tasca. Aprofundir en el coneixement i la comprensió de les tasques mitjançant la comunicació pot millorar molt la memòria.

Finalment, l'ambient d'equip també té un cert impacte en la memòria. Un equip positiu i apassionat pot ajudar els membres a mantenir una bona actitud i fer que tothom estigui més compromès i centrat en projectes o tasques. Aquest ambient positiu és molt beneficiós per millorar la memòria.

En resum, hi ha una connexió entre la composició de l'equip i la memòria. Mitjançant una combinació raonable, una bona comunicació i un ambient positiu, l'equip pot exercir la seva màxima sinergia, millorant així la memòria general. Per tant, és essencial un bon treball en equip, que pot promoure el desenvolupament de les capacitats individuals i el desenvolupament de tot l'equip, que també és un dels factors importants per a l'èxit de les empreses modernes. Es pot veure que hem de millorar la memòria, i Cistanche deserticola pot millorar significativament la memòria, perquè Cistanche deserticola també pot regular l'equilibri dels neurotransmissors, com augmentar els nivells d'acetilcolina i factors de creixement. Aquestes substàncies són molt importants per a la memòria i l'aprenentatge. A més, la carn també pot millorar el flux sanguini i promoure el lliurament d'oxigen, cosa que pot garantir que el cervell rebi suficients nutrients i energia, millorant així la vitalitat i la resistència del cervell.

Feu clic a Coneix la memòria a curt termini com millorar-la

Aquest fet es demostra al conjunt de dades MyDreamTeam comparant els costos de comunicació més baixos dels equips autoassemblats i els costos de comunicació més elevats dels equips generats aleatòriament.

L'algoritme proposat va trobar combinacions d'equip amb costos de comunicació més baixos que els equips autoassemblats, cosa que suggereix que la gent té certa intuïció per formar equips ben connectats.

Tanmateix, no tenen un coneixement fiable de les connexions d'ordre superior entre ells. Una possible explicació d'aquesta diferència trobada per l'algoritme és l'enorme repte per a les persones per descobrir i aprofitar les connexions indirectes, com ara contactes compartits o col·laboradors passats compartits.

Tant si els individus munten els seus equips com els creadors d'equips els dissenyen, tenir en compte les connexions indirectes dels membres de l'equip no és una tasca fàcil, ja que les connexions indirectes no són molt visibles.

En canvi, el nostre algorisme sobresurt en considerar l'estructura més àmplia de la xarxa social donada la visió global de les relacions entre els membres. Mitjançant aquest enfocament algorítmic, els individus i els directius poden ser més conscients dels companys d'equip potencialment diversos a través de les seves relacions actuals.

Fins i tot si dos membres de l'equip no es coneixen directament, formar equip amb un "amic d'un amic" o connexió indirecta pot promoure potencialment la familiaritat i la seguretat psicològica en els equips [83–85].

A més, vam trobar que els equips autoassemblats de MyDreamTeam eren menys diversos que els equips generats aleatòriament pels algorismes. Aquesta tendència impulsada per l'homofília és coherent amb la literatura anterior, cosa que indica que la gent prefereix formar equip amb altres que comparteixen característiques similars [65].

La formulació d'aquest problema de formació d'equip ofereix noves oportunitats per augmentar la diversitat de l'equip en comparació amb els equips autoconstituïts, tot i que es considera una gran familiaritat entre els membres de l'equip. Un dels principals avantatges de formar equips d'aquesta manera és reduir els biaixos dels individus.

Atès que la gent naturalment atreu a formar equips amb individus similars, un analgorisme com el proposat pot augmentar el procés de presa de decisions de les persones.

En comptes de les connexions impulsades per les preferències dels individus, l'algoritme pot implementar la coordinació col·lectiva seleccionant millors combinacions d'equip que podrien satisfer les expectatives dels individus. Aquest enfocament multiobjectiu pot permetre que les persones trobin solucions factibles que augmentin la diversitat sense comprometre la familiaritat de l'equip.

Implicacions

Aquest treball aporta implicacions teòriques per a la recerca en equip. En particular, l'ús de mecanismes computacionals per donar suport als processos de formació d'equips. La literatura ha caracteritzat la formació d'equips com a centrada en mecanismes de comportament, on els equips poden ser reunits per forces internes o externes i basats en la similitud, la familiaritat i la competència [28, 86).

En formular i implementar aquest problema d'optimització multiobjectiu, vam trobar combinacions d'equips diverses i connectades que els individus no podrien haver previst. Aquest treball permet als investigadors en equip reflexionar sobre el paper de les tecnologies en l'habilitació de noves estructures organitzatives entre individus i organitzacions, que podrien donar lloc a noves teories de formació d'equips i la introducció de tecnologies [38-40].

Les implicacions pràctiques d'aquest estudi contribueixen a que diverses comunitats inverteixin en augmentar la diversitat d'equips: directius que formen equips efectius i diversos, instructors que formen equips d'estudiants més diversos, empreses que formen grups heterogenis de diferents unitats de negoci, agències espacials com la NASA que formen tripulacions espacials per a exploracions espacials de llarga durada. Mart i investigadors que investiguen l'ús d'algorismes per organitzar equips científics.

Ampliar l'ús d'aquest algorisme a un públic més ampli pot proporcionar nous beneficis per als grups que busquen acceptar la diversitat i mantenir alts nivells de familiaritat. A més, els desenvolupadors i dissenyadors de programari poden utilitzar les implicacions d'aquest estudi per als nous procediments i directrius per a la intel·ligència artificial en l'organització dels treballadors.

Finalment, aquest treball proporciona més enfocaments computacionals per enriquir els processos de formació d'equips [45, 87].

Com que els creadors d'equips no poden resoldre aquest problema ràpidament comprovant manualment cada combinació d'equip, els algorismes poden automatitzar aquesta tasca reunint membres que tenen connexions socials existents i, al mateix temps, tenen diferents antecedents, característiques i nivells d'experiència[41, 42]. Esperem que aquest treball ajudi a formar equips heterogenis tenint en compte la diversitat i les xarxes socials.

Una altra qualitat d'aquest enfocament és afegir més objectius al problema de formació de l'equip. Per exemple, els creadors d'equips podrien minimitzar altres funcions objectives, com ara la distància geogràfica entre els participants, els costos de personal o les limitacions de disponibilitat.

Així mateix, aquest problema multiobjectiu pot acomodar els trets dels membres quan la diversificació no és desitjable. Com algunes meta-revisions prèvies indiquen [14, 88], tenir un equip amb persones similars pot ser desitjable per a tasques de baixa dificultat o quan l'objectiu és l'eficiència (en lloc de la creativitat).

A més, pot ser desitjable que alguns trets com la personalitat o l'experiència siguin semblants en lloc de diversos [89].

Aquest problema de formació d'equips pot afegir una altra funció objectiva que minimitzi la diversitat dels equips en alguns trets utilitzant les mètriques definides per Harrison i Klein [30]. Per tant, un ús potencial d'aquest algorisme és maximitzar la diversitat en els atributs d'alguns membres alhora que es minimitza la diversitat en altres atributs.

Tenint en compte el compromís flexible d'aquest enfocament multiobjectiu, quina solució haurien de tenir en compte els creadors d'equips des del front de Pareto? La incorporació d'altres mètriques (per exemple, el rendiment individual, la cohesió de l'equip, la ubicació dels membres) podria ajudar els creadors d'equips a seleccionar una combinació d'equip específica.

Limitacions i treballs futurs

És important reconèixer les limitacions d'aquest article. En primer lloc, les mesures per a la diversitat i els costos de comunicació es van escalar específicament per a cada xarxa única i no es poden comparar entre diferents grups de participants.

En segon lloc, la mesura de diversitat és un conjunt de mètriques de diversitat múltiples per a cada atribut mostrat; per tant, és difícil assignar cap significat real a la mètrica de diversitat a part de les diferències relatives dins de la mateixa xarxa. Les implementacions futures haurien de considerar com es poden analitzar diferents mesures de diversitat per separat i segons el grup específic de participants.

Aquests també poden ponderar la diversitat en diverses dimensions o operar les mètriques de diversitat com a funcions objectius diferents en el problema d'optimització. En tercer lloc, formar equips científics i equips de programari és més complex en realitat: amb el pas del temps es poden afegir nous membres, cal una mica d'especialització, no tots aquests equips comparteixen els mateixos objectius, mides o restriccions, i la diversitat només pot ser beneficiosa per als objectius.

Creiem que l'ús dels dos darrers conjunts de dades no hauria de ser una preocupació perquè els fem servir només amb l'eficiència i els resultats dels algorismes. Aquest algorisme de formació d'equips pot guiar la formació d'equips científics i de programari reals trobant combinacions més diverses i connectades. En quart lloc, no oferim recomanacions específiques per a atributs de diversitat demogràfica o funcional.

Estudis previs han demostrat com els efectes de la diversitat en el rendiment de l'equip estan mediats per factors contextuals i processos d'equip [14]. Els creadors d'equips que vulguin administrar aquest algorisme haurien de reflexionar i decidir sobre afegir variables demogràfiques i cognitives segons els seus objectius organitzatius i el context particular. En cinquè lloc, recollir dades de xarxes socials podria ser una gran tasca per als creadors d'equips.

L'avaluació de les relacions de les persones es pot fer mitjançant la realització d'enquestes, l'examen de xarxes de comunicació o el seguiment de dades digitals [90]. Una altra estratègia potencial per construir les xarxes socials dels individus és preguntar sobre les preferències del seu company d'equip.

L'algoritme podria trobar possibles combinacions d'equips diverses basades en les respostes dels individus [91]. Finalment, no és possible garantir que el rendiment dels equips reunits per aquest algorisme sigui millor que altres estratègies de formació d'equips.

Estudis anteriors han mostrat resultats mixts per a l'efecte directe de la diversitat en el rendiment de l'equip en tots els contextos [14], així com l'avantatge d'utilitzar enfocaments algorísmics per a la formació d'equips [92].

Altres investigacions també han demostrat que quan els individus no tenen agència per formar equips ells mateixos, estan menys compromesos amb el seu grup [93, 94]. El treball futur hauria de considerar l'ús d'aquest algorisme per reunir grups reals i avaluar el rendiment que tenen en comparació amb els equips assignats aleatòriament o per un gerent.

El treball futur hauria d'afegir noves restriccions a la funció multiobjectiu, com ara tenir en compte funcions específiques de tasques en els equips, afegir líders a cada equip o excloure determinades combinacions d'equip en què alguns individus no volen treballar junts.

L'ús de xarxes ponderades també podria proporcionar informació més matisada sobre la força de les relacions socials de les persones. Una aplicació potencial és distingir els individus que tenen interaccions freqüents dels que amb prou feines parlen entre ells [95]. Un exemple d'àrees potencials de millora és el desenvolupament d'una sintonització automàtica dels pesos assignats per a cada atribut de diversitat donat una població específica.

Si l'algoritme explora els atributs categòrics i numèrics de les persones abans de dur a terme el procés de formació de l'equip, podria identificar els atributs que tenen més variació i els que són escassos entre els individus.

Aleshores, l'algoritme podria definir la importància de cada atribut de diversitat en la funció objectiu. Finalment, l'algoritme es podria implementar com una plataforma web per oferir més oportunitats als gestors, instructors o investigadors per reunir equips.

Conclusió

Aquest treball aborda el problema de muntar equips a partir d'una xarxa social que maximitza tant la diversitat com la familiaritat. Vam formular una funció multi-objectiu per a aquest problema i vam implementar un algorisme genètic per trobar equips diversos ben connectats. En una avaluació experimental exhaustiva, vam avaluar el rendiment del nostre algorisme proposat i vam comparar-lo amb els enfocaments de referència.

Hem parlat del paper potencial dels algorismes per augmentar la composició de l'equip i ajudar els creadors d'equips. En particular, es poden utilitzar enfocaments computacionals per formar equips que considerin connexions indirectes i recomanin combinacions amb puntuacions de diversitat més altes. Com que els algorismes poden descobrir combinacions d'equip més factibles que els humans, les decisions dels creadors d'equips poden tornar-se més estructurades, sistemàtiques i completes.

Informació de suport

Fitxer S1. Figures i taules de suport. S1 Fig: Simulacions amb la mètrica Diàmetre. S2 Fig:Simulacions utilitzant la mètrica Minimum Spanning Tree (MST). Taula S1: Caixa de diàmetre. S2Table: Cas d'arbre d'abast mínim. Taula S3: Proporció mitjana de salts de combinacions d'equips.(PDF)

Referències

1. Ng ESW, Burke RJ. L'ajust persona-organització i la guerra pel talent: la gestió de la diversitat fa diferència? Revista Internacional de Gestió de Recursos Humans. 2005; 16(7):1195–1210.https://doi.org/10.1080/09585190500144038

2. Hunt V, Layton D, Prince S. La diversitat importa. McKinsey & Company. 2015; 1(1):15–29.

3. Jackson SE, Joshi A. Diversitat de l'equip de treball. A: Manual APA de psicologia industrial i organitzacional, Vol 1: Construcció i desenvolupament de l'organització. Associació Americana de Psicologia; 2011. pàg.651–686.

4. Barak MEM, Travis DJ. Tendències socioeconòmiques: Ampliació de l'ecosistema de diversitat. A: The Oxfordhandbook of diversity and work. Oxford University Press; 2012. pàg. 393.

5. Mathieu JE, Hollenbeck JR, van Knippenberg D, Ilgen DR. Un segle d'equips de treball a la revista Journal of Applied Psychology. Revista de Psicologia Aplicada. 2017; 102(3):452. https://doi.org/10.1037/apl0000128 PMID: 28150984

6. Williams KY, O'Reilly CA III. Demografia i diversitat a les organitzacions: una revisió de 40 anys d'investigació. Recerca en comportament organitzatiu. 1998; 20:77–140.

7. Van Knippenberg D, De Dreu CK, Homan AC. Diversitat del grup de treball i rendiment del grup: un model integrador i agenda de recerca. Revista de Psicologia Aplicada. 2004; 89(6):1008. https://doi.org/10.1037/0021-9010.89.6.1008 PMID: 15584838

8. Pàgina SE. La bonificació de la diversitat: com es beneficien els grans equips en l'economia del coneixement. Princeton University Press; 2019.

9. Vasilescu B, Posnett D, Ray B, van den Brand MGJ, Serebrenik A, Devanbu P, et al. Diversitat de gènere i tinença als equips de GitHub. A: Proceedings of the 33rd Annual ACM Conference on Human Factorsin Computing Systems. CHI'15. Nova York, NY, EUA: Association for Computing Machinery; 2015.p. 3789–3798. Disponible des de:https://doi.org/10.1145/2702123.2702549.

For more information:1950477648nn@gmail.com