WikiDer > Вывод экспертизы
 | Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) (Узнайте, как и когда удалить этот шаблон сообщения)
|
Вывод экспертизы использование инструментов для поиска и оценки индивидуальных экспертиза. В сфере подбора персонала поиск экспертных знаний - это проблема поиска перспективных кандидатов с определенными необходимыми навыки набор. Другими словами, это проблема привязки людей к областям знаний и, как таковая, является подзадачей поиска знаний (другой проблемой является профилирование знаний).[1]
Важность экспертизы
Можно утверждать, что человеческий опыт дороже капитала, средств производства или интеллектуальной собственности. Вопреки экспертным знаниям, все другие аспекты капитализма теперь носят относительно общий характер: доступ к капиталу глобален, как и доступ к средствам производства для многих областей производства. Интеллектуальная собственность могут быть лицензированы аналогичным образом. Кроме того, поиск экспертных знаний также является ключевым аспектом институциональная память, поскольку без экспертов учреждение практически обезглавлено. Однако найти и «лицензировать» опыт, являющийся ключом к эффективному использованию этих ресурсов, по-прежнему гораздо сложнее, начиная с самого первого шага: поиска опыта, которому можно доверять.
До недавнего времени для поиска опыта требовалось сочетание индивидуальных, социальных и совместных практик, в лучшем случае случайный процесс. В основном, это включало в себя контакт с людьми, которым доверяешь, и просьбу о направлениях, надеясь, что их суждения об этих людях оправданы и что их ответы продуманы.
За последние пятнадцать лет класс управление знаниями Программное обеспечение появилось для облегчения и улучшения качества поиска экспертных знаний, получившего название «системы определения местонахождения экспертных знаний». Это программное обеспечение варьируется от системы социальных сетей к базы знаний. Некоторое программное обеспечение, например, в сфере социальных сетей, полагается на то, что пользователи связываются друг с другом, таким образом, используя социальную фильтрацию, чтобы действовать как "рекомендательные системы".
На другом конце спектра находятся специализированные базы знаний которые полагаются на экспертов для заполнения специализированного типа база данных с их самостоятельными областями знаний и вкладом, и не полагаются на рекомендации пользователей. Также существуют гибриды, которые содержат наполненный экспертами контент в сочетании с рекомендациями пользователей, и, возможно, они более ценны для этого.
Тем не менее, другие экспертные базы знаний строго полагаются на внешние проявления экспертных знаний, называемые здесь «закрытые объекты», например, влияние цитирования для научных статей или сбор данных подходы, в которых сопоставляются многие из результатов работы эксперта. Такие системы с большей вероятностью будут свободны от предубеждений, вводимых пользователем (например, ResearchScorecard ), хотя использование вычислительных методов может внести другие искажения.
Существуют также гибридные подходы, в которых используются данные, созданные пользователями (например, профили участников), сигналы сообщества (например, рекомендации и подтверждения навыков) и персонализированные сигналы (например, социальная связь между пользователем и результатами).
Примеры описанных выше систем перечислены в таблице 1.
Таблица 1: Классификация систем определения местоположения специалистов
| Тип | Домен приложения | Источник данных | Примеры |
|---|---|---|---|
| Социальная сеть | Профессиональные сети | Создано пользователями и сообществом | |
| Научная литература | Выявление публикаций с наибольшим исследовательским влиянием | Стороннее созданное |
|
| Научная литература | Поиск экспертизы | Программного обеспечения | |
| База знаний | База данных частной экспертизы | Создано пользователем |
|
| База знаний | Общедоступная база данных экспертизы | Создано пользователем |
|
| База знаний | База данных частной экспертизы | Создано третьей стороной |
|
| База знаний | Общедоступная база данных экспертизы | Создано третьей стороной |
|
| Блог поисковые системы | Создано третьей стороной |
Технические проблемы
При использовании систем поиска экспертных знаний возникает ряд интересных проблем:
- Сопоставление вопросов неспециалистов с базой данных существующего опыта по своей сути затруднено, особенно когда база данных не хранит требуемый опыт. Эта проблема становится еще более острой с ростом невежества со стороны неспециалистов из-за типичных проблем поиска, связанных с использованием ключевых слов для поиска. неструктурированные данные которые семантически не нормализованы, а также различия в том, насколько хорошо эксперт настроил свои страницы с описательным содержанием. Улучшенное сопоставление вопросов - одна из причин, по которой сторонние семантически нормализованные системы, такие как ResearchScorecard и БиомедЭксперты должны иметь возможность лучше отвечать на запросы пользователей, не являющихся экспертами.
- Избегайте усталости экспертов из-за слишком большого количества вопросов / запросов от пользователей системы (ссылка 1).
- Поиск способов избежать "игры" в системе ради получения неоправданного опыта авторитет.
- Сделайте выводы о неявных навыках. Поскольку пользователи обычно не декларируют все свои навыки, важно сделать вывод о том, что их неявные навыки тесно связаны с их явными. Шаг вывода может значительно улучшить отзывать в нахождении экспертизы.
Рейтинг экспертизы
Средства классификации и ранжирования экспертных знаний (и, следовательно, экспертов) становятся необходимыми, если количество экспертов, возвращаемых запросом, превышает горстку. Это поднимает следующие социальные проблемы, связанные с такими системами:
- Как можно объективно оценить опыт? Это вообще возможно?
- Каковы последствия использования неструктурированных социальных оценок опыта, например рекомендаций пользователей?
- Как отличить авторитетность в качестве прокси-метрики опыта от простых популярность, что часто является функцией способности человека выражать себя в сочетании с хорошим социальным чутьем?
- Каковы потенциальные последствия социальной или профессиональной стигмы, связанной с использованием авторитетного рейтинга, например, используемого в Technorati и ResearchScorecard)?
- Как сделать рейтинг экспертизы персонализированным для каждого отдельного искателя? Это особенно важно для целей приема на работу, поскольку при одинаковых навыках рекрутеры из разных компаний, отраслей и регионов могут иметь разные предпочтения в отношении кандидатов и их различных областей знаний.[2]
Источники данных для оценки экспертизы
Для вывода экспертных оценок использовались многие типы источников данных. Их можно разделить на широкие категории в зависимости от того, измеряют ли они «сырые» вклады, предоставленные экспертом, или к ним применяется какой-то фильтр.
Источники нефильтрованных данных, которые использовались для оценки опыта, без определенного порядка ранжирования:
- самостоятельный опыт работы с сетевыми платформами
- обмен опытом через платформы
- рекомендации пользователей
- билеты в службу поддержки: в чем проблема и кто ее исправил
- электронная почта между пользователями
- документы, частные или в Интернете, особенно публикации
- веб-страницы, поддерживаемые пользователями
- отчеты (технические, маркетинговые и др.)
Источники отфильтрованных данных, то есть вклады, требующие одобрения третьих сторон (грантовые комитеты, рецензенты, патентное бюро и т. Д.), Особенно ценны для измерения опыта таким образом, чтобы минимизировать предвзятость, вытекающую из популярности или других социальных факторов:
- патенты, особенно если выпущено
- научные публикации
- выданные гранты (неудавшиеся заявки на гранты редко известны помимо авторов)
- клинические испытания
- запуск продукта
- фармацевтические препараты
Подходы к созданию экспертного контента
- Руководство, сделанное либо самими экспертами (например, Skillhive), либо куратором (Expertise Finder)
- Автоматизировано, например, с использованием программные агенты (например, ExpertFinder Массачусетского технологического института) или комбинация агентов и человека (например, ResearchScorecard)
- В поисковых системах с промышленным опытом (например, LinkedIn) в функции ранжирования поступает множество сигналов, таких как контент, созданный пользователями (например, профили), контент, созданный сообществом (например, рекомендации и подтверждения навыков) и персонализированные сигналы ( например, социальные связи). Более того, пользовательские запросы могут содержать множество других аспектов, требующих скорее знаний, таких как местоположение, отрасли или компании. Таким образом, традиционные поиск информации такие функции, как сопоставление текста, также важны. Учимся ранжировать обычно используется для объединения всех этих сигналов в функцию ранжирования[2]
Сотрудник Discovery
В академических кругах родственная проблема - открытие соавторов, цель которых - предложить исследователю подходящих соавторов. В то время как поиск экспертных знаний - это асинхронная проблема (работодатель ищет сотрудника), обнаружение соавторов можно отличить от поиска экспертных знаний, помогая установить более симметричные отношения (сотрудничество). Кроме того, в то время как в опыте нахождение задачи часто можно четко охарактеризовать, это не относится к академическим исследованиям, где будущие цели более нечеткие.[3]
Рекомендации
- ^ Балог, Кристиан (2012). «Экспертиза». Основы и тенденции поиска информации. 6 (2–3): 127–256. Дои:10.1561/1500000024.
- ^ а б c Ха-Тук, Вьетнам; Венкатараман, Ганеш; Родригес, Марио; Синха, Шакти; Сундарам, Сентиль; Го, Линь (2015). "Персонализированный поиск экспертных знаний в Linked В". Международная конференция IEEE по большим данным (Big Data), 2015 г.. С. 1238–1247. arXiv:1602.04572. Дои:10.1109 / BigData.2015.7363878. ISBN 978-1-4799-9926-2.
- ^ Шлейер, Тит; Батлер, Брайан С .; Песня, Мэй; Спаллек, Хейко (2012). «Концептуализация и продвижение исследовательских сетевых систем». Транзакции ACM о взаимодействии компьютера и человека. 19 (1): 1–26. Дои:10.1145/2147783.2147785. ЧВК 3872832. PMID 24376309.
дальнейшее чтение
- Акерман, Марк и Макдональд, Дэвид (1998) «Просто поговори со мной: полевое исследование места проведения экспертизы» Материалы конференции ACM 1998 г. по совместной работе с компьютерной поддержкой.
- Хьюз, Гарет и Краудер, Ричард (2003) «Опыт разработки легко адаптируемых систем поиска экспертных знаний» Материалы конференции DETC 2003 г..
- Мэйбери, М., Д'Амор, Р., Хаус, Д. (2002). «Осведомленность об организационном опыте». Международный журнал взаимодействия человека и компьютера 14(2): 199-217.
- Мэйбери, М., Д'Амор, Р., Хаус, Д. (2000). Автоматизация экспертного заключения. Международный журнал управления технологическими исследованиями. 43(6): 12-15.
- Мэйбери, М., Д'Амор, Р., и Хаус, Д., декабрь (2001). Вывод экспертов для совместных виртуальных сред. Коммуникации ACM 14(12): 55-56. В Рагуза, Дж. И Боченек, Г. (ред.). Специальный раздел по совместной работе в виртуальных средах проектирования.
- Мэйбери, М., Д'Амор, Р. и Хаус, Д. (2002). Автоматизированное обнаружение и отображение опыта. В Аккерман, М., Коэн, А., Пипек, В. и Вульф, В. (ред.). Помимо управления знаниями: обмен опытом. Кембридж: MIT Press.
- Маттокс, Д., М. Мэйбери, и другие. (1999). «Эксперт предприятия и открытие знаний». Труды 8-й Международной конференции по взаимодействию человека и компьютера (HCI International 99), Мюнхен, Германия.
- Тан Дж., Чжан Дж., Яо Л., Ли Дж., Чжан Л. и Су З. (2008) «ArnetMiner: извлечение и анализ академических социальных сетей» Материалы 14-й международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных.
- Viavacqua, A. (1999). «Агенты по размещению экспертиз». Материалы весеннего симпозиума AAAI 1999 г. по интеллектуальным агентам в киберпространстве, Стэнфорд, Калифорния.