多様でつながりのあるチームを求めて: メンバーに基づいて多様なチームを編成するための計算的アプローチ パート 2
Jan 24, 2024
この論文の主な貢献は、チームの多様性レベルとメンバーの親密度を同時に考慮したチーム編成問題の定式化です。
メンバーの馴染みと記憶は密接に結びついています。 仕事、特にチームでは、メンバー間の親密度がチームの効率と仕事の質に直接影響します。
メンバー間の親密度のレベルは、チームの暗黙の理解とコラボレーションに直接影響します。 お互いによく知っている間であれば、表現しにくい言葉を省略して直接作業に移ることができ、作業効率が向上します。 メンバー同士の知識が浅い場合、コミュニケーションに時間がかかり、些細な誤解から不要な衝突や意見の相違が生じる可能性があります。
さらに、メンバー間の親密度も記憶に直接影響します。 研究によると、情報は私たちの興味や注目を集める可能性が高いため、人々はよく知っている人や物事を覚えている可能性が高くなります。 チームワークでは、メンバーがお互いによく知っていれば、お互いの要望やニーズを覚えておくことが容易になり、作業の進行を妨げる記憶違いを避けることができます。
したがって、チームメンバーは、さまざまな機会を通じてお互いの親密度を高め、相互理解とコミュニケーションを強化するように努める必要があります。 共通の趣味、コミュニケーション、協力を通じてより緊密な関係を築くことができ、チームのコラボレーションや作業効率が向上し、仕事がより効果的になります。 私たちは記憶力を向上させる必要があることが分かります。カンクサは多くのユニークな効果を持つ伝統的な漢方薬素材であり、そのうちの 1 つは記憶力の向上であるため、カンクサは記憶力を大幅に向上させることができます。 ひき肉の効能は、酸、多糖類、フラボノイドなどを含む、ひき肉に含まれるさまざまな有効成分によってもたらされます。これらの成分は、さまざまな方法で脳の健康を促進します。
チーム編成アルゴリズムのほとんどの研究では、チーム編成の目的関数としてメンバーのスキルや個人コストが考慮されていますが[36]、この最適化問題は多様性（つまり、属性の格差と多様性）のさまざまな操作化に基づいて定式化されます。 この研究の 2 番目の貢献は、利用可能な個人をチームに割り当てる、このチーム編成問題に対するアルゴリズムの設計です。
これまでのチーム編成の問題は主に、プールから最適なチームを見つけて残りのメンバーを解雇することに焦点を当てていました [36、37]。 この研究は、チーム研究に理論的な意味も提供します。
特に、チーム形成プロセスをサポートするための計算メカニズムの使用 [38-40]。 この研究の実際的な意味は、チームの多様性を高めるために投資されているいくつかのコミュニティに貢献しています。
チームビルダーは、各チームの組み合わせを手動でチェックすることによってこの問題を迅速に解決することはできないため、アルゴリズムは、既存の社会的つながりを持つと同時に、異なる背景、特性、専門知識レベルを持つメンバーを集めることで、このタスクを自動化できます [41、42]。
このアルゴリズムの使用をより幅広い視聴者に拡大することで、多様性を受け入れ、高い親密度を維持しようとするグループに新たなメリットがもたらされる可能性があります。
この記事は、Complex Networks 2020 [43] で発表された予備会議議事録の拡張および改訂版です。
会議の記事と比較すると、このバージョンは、(a) チーム編成アルゴリズムのレビューを示し、(b) 提案されたチーム編成の問題とアルゴリズムの定義と疑似コードを拡張し、(c) 孤立した個人を処理するために提案されたアルゴリズムをアップグレードし、利用可能な個人の数はチーム サイズの倍数ではありません。(d) 3 つのデータセットを使用してアルゴリズムを評価し、最適化問題が他のチーム編成ドメインでも機能することを証明します。(e) パフォーマンスを他のベンチマーク多目的アルゴリズムと比較します。(f)定量的メトリクスを使用してアルゴリズムの結果を比較し、(g) 研究者と実践者向けにこの研究の発見と影響について詳しく説明し、(h) データセットを前処理するためのスクリプト、前処理されたデータセット、およびスクリプトを提供します。再現性を目的とした、提案されたアルゴリズムとベンチマーク アルゴリズム。
関連作業
コンピュータ サイエンスの学者は、チームの割り当ての問題を解決するためのさまざまなアプローチを詳しく練り上げてきました [36、44、45]。 スカラシップは、複数の個人の中から最も効率的なチームの組み合わせを見つけることは難しい計算問題であり、個人が手動で解決するのはさらに困難であると結論付けています。
これは、プールのメンバー間で考えられるすべての組み合わせを評価する必要がある複雑なタスクであり、組み合わせの課題となる可能性があります。 サイズ k のチームに割り当てる必要がある n 人のメンバーのプールを考えると、n から最初の k メンバーを選択し、次に n − k から他の k メンバーを選択するという反復置換を計算する必要があります。 k が n の倍数であると仮定すると、n/k の順列を計算する必要があります。
結果として、n 人のメンバーのプールに対して、n!/(k!n/k�(n/k)!) 通りの可能なチームの組み合わせを計算する必要があります。 18 人の生徒のクラスからサイズ 3 のチームを編成したい場合、可能な組み合わせは 190,590,400 通りあります (18!/(3! 6�6!))。 これらの組み合わせは階乗時間 (つまり、O(n!)) で評価されます。 したがって、このタスクは多項式時間では実行できず、解を効率的に見つけるにはさまざまなアプローチが必要です。
最近の文献レビュー [36、37、46] は、(i) アルゴリズムから得られるチームの数、(ii) アルゴリズムによって考慮されるメンバーの属性、および (iii) メンバーの数という 3 つの主要な側面に従ってチーム編成アルゴリズムを特徴付けています。アルゴリズムによって考慮される目的関数。
チーム数
ほとんどのソリューションは、特定の個人プールから可能な限り最良のチームを見つけることを提案しています。 「ベストチーム」アプローチは、通常、チーム形成問題を割り当て問題として考慮し、その目標は、チームを組み立てることができる最良のメンバーを見つけることである。
この文献への主な貢献は、方法論の革新に依存しています。 たとえば、El-Ashmawi et al. [47] は、粒子群最適化アルゴリズムの実装を使用して、チーム メンバー間の通信コストが最も少ないチームを検索しました。 ボーミックら。 [48] は、サブモジュール関数の最適化を使用したチーム編成アルゴリズムを開発しました。
この実装では、制約が緩和された、最適な専門家のチームが見つかります。つまり、チームはいくつかのスキルを「持つ必要がある」一方、他のスキルを「持つべき」であるということです。 最後に、キーンら。 [49] 勾配ブースティング フレームワークを使用したチーム編成アルゴリズムを採用し、効果的に協力できる専門家による最小限のチームを見つけます。 これらの方法の制限は、利用可能なプールのすべてのメンバーを含む複数のチームではなく、単一の「最良の」チームしか提供されないことです。
いくつかの研究では、利用可能なすべての個人をチームに割り当てるという問題が調査されています。 1 つのアプローチは、反復ヒューリスティックを通じて複数のチームを形成することです。 この場合、チームのないメンバーがなくなるまで、目的関数に従ってプールの k メンバーを抽出することによってチームが編成されます。
一例は、Agrawal et al. [50] は、利用可能な個人のプールから集められたすべてのチームにわたって集計された利益を最大化する (またはコストを最小化する) ためのヒューリスティック ゴリズムを提案しました。
この論文では、「強い」メンバーとそれよりも「弱い」メンバーをチーム化する 2 つの反復ヒューリスティック アルゴリズムを紹介します。 その結果、専門家が複数のチームに分散されます。 2 番目のアプローチは、チーム編成問題をパーティション問題として定式化することです。 集められたすべてのチームのヒューリスティックメトリクスを使用して、個人のプールがチームに分割されます。
一部の実装では、同様の特性を共有するメンバーを見つけることを目的としたクラスタリング アルゴリズムが使用されます。 いくつかの例としては、ファジー C 平均法を使用して同種のチーム内の個人をクラスター化する Nurjanah らの実装 [51] や、特定の協力特性に従って生徒をクラスター化する Srba と Bielikova の実装 [52] があります。
3 番目のアプローチは、進化的アルゴリズムを使用して効率的なチームの組み合わせを見つけることです [53、54]。 簡単に言うと、進化的アルゴリズムは、すべてのメンバーをランダムなチームに割り当て始め、その後、より良いチームの組み合わせを見つけるために、個々のメンバーシップを繰り返し変更します。 決定された目的関数を使用して組み合わせを評価した後、進化的アルゴリズムは最適なチームの組み合わせを保持し、次の反復で新しい組み合わせを見つけます。
一例は、Agustı´n-Blas らです。 [53] は、個人をグループに組織し、グループに必要なリソースを最大化するチームの組み合わせを探索する遺伝的アルゴリズムを開発しました。
メンバーの属性
2 番目の次元は、アルゴリズムによって考慮されるメンバーの属性に焦点を当てます。 このアルゴリズムは、メンバー間の社会的つながりの数やチームがカバーするスキルの数など、特定のチーム属性を最大化するメンバーを見つけることを目的としています。
ほとんどのアルゴリズムは、チーム内にスキル (または専門知識) が存在することを主な目標として設定します。 このアプローチの実例は、チームに特定のスキルを貢献するメンバーを見つけるために数学的プログラミングを使用する Zakarian と Kusiak のアルゴリズム [55] です。
他の計算実装では、役割に応じてメンバーを割り当てることが提案されています。 このアプローチに基づくアルゴリズムは、Yannibelli et al. [56] は、メンバーに特定の役割を割り当てることで学生チームを編成する進化的アプローチを開発しました。
さらに、チームを形成するときにアルゴリズムにメンバーのソーシャル ネットワークを含めることもできます。 ラパスら。 [57] メンバー間の社会的距離が最も低い最良のチーム (つまり、通信コストの代理) を検索します。
この記事では、「Rarest First」と「Enhanced Steiner」と呼ばれる 2 つのアルゴリズムを提案します。 ソーシャル ネットワーク G からのタスク T を解決するスキルを持つメンバーでサイズ k の最適なチームを編成するという問題が与えられると、最初のアルゴリズムは T を解決するスキルを持つ k 人のメンバーの間で可能な最小のグラフ直径を検索します。 2 番目のアルゴリズムは検索します。 T を解くスキルを持つ k メンバーを接続するエッジの最小サブセット (つまり、最小スパニング ツリー)。
どちらのアルゴリズムも、特定のソーシャル ネットワークを考慮して可能な限り最良のチームを見つけることを目的としています。 他の実装では、チーム編成の問題の一部として、人件費、メンバーの可用性、およびメンバー間の作業負荷のバランスが考慮されます [58]。
For more information:1950477648n@gmail.com
