Znalezienie ekspertyzy
Wyszukiwanie ekspertyz to wykorzystanie narzędzi do wyszukiwania i oceny indywidualnej ekspertyzy . W branży rekrutacyjnej znalezienie wiedzy specjalistycznej to problem poszukiwania kandydatów do zatrudnienia z określonym zestawem wymaganych umiejętności . Innymi słowy, jest to wyzwanie polegające na powiązaniu ludzi z obszarami wiedzy specjalistycznej i jako takie jest podproblemem wyszukiwania wiedzy specjalistycznej (drugim problemem jest profilowanie wiedzy specjalistycznej).
Znaczenie ekspertyzy
Można argumentować, że ludzka wiedza jest cenniejsza niż kapitał, środki produkcji czy własność intelektualna. [ Potrzebne źródło ] W przeciwieństwie do wiedzy specjalistycznej, wszystkie inne aspekty kapitalizmu są obecnie stosunkowo ogólne: dostęp do kapitału jest globalny, podobnie jak dostęp do środków produkcji dla wielu obszarów produkcji. Własność intelektualna może być podobnie licencjonowana. Co więcej, wyszukiwanie ekspertyz jest również kluczowym aspektem pamięci instytucjonalnej , ponieważ bez jej ekspertów instytucja jest skutecznie pozbawiona głowy. Jednak znalezienie i „licencjonowanie” specjalistycznej wiedzy, która jest kluczem do efektywnego wykorzystania tych zasobów, pozostaje znacznie trudniejsze, zaczynając od pierwszego kroku: znalezienia specjalistycznej wiedzy, której można zaufać.
Do niedawna znalezienie wiedzy specjalistycznej wymagało połączenia praktyk indywidualnych, społecznych i opartych na współpracy, co w najlepszym przypadku było przypadkowym procesem. Najczęściej polegało to na kontaktowaniu się z zaufanymi osobami i proszeniu ich o rekomendacje, mając jednocześnie nadzieję, że ocena tych osób jest uzasadniona, a ich odpowiedzi przemyślane.
W ciągu ostatnich piętnastu lat pojawiła się klasa oprogramowania do zarządzania wiedzą , która ułatwia i poprawia jakość wyszukiwania ekspertyz, zwana „systemami lokalizacji ekspertyz”. Oprogramowanie to obejmuje zarówno systemy sieci społecznościowych, jak i bazy wiedzy . Niektóre programy, takie jak te z sieci społecznościowych, polegają na łączeniu się użytkowników ze sobą, wykorzystując w ten sposób filtry społecznościowe do działania jako „systemy rekomendujące” .
Na drugim końcu spektrum znajdują się wyspecjalizowane bazy wiedzy , które polegają na ekspertach w celu zapełnienia specjalistycznego typu bazy danych własnymi określonymi obszarami wiedzy i wkładu, a nie opierają się na rekomendacjach użytkowników. Istnieją również hybrydy, które zawierają treści wypełnione przez ekspertów w połączeniu z rekomendacjami użytkowników i są prawdopodobnie bardziej wartościowe.
Jeszcze inne bazy wiedzy eksperckiej opierają się ściśle na zewnętrznych przejawach wiedzy specjalistycznej, określanych tutaj jako „obiekty bramkowane”, np. wpływ cytowań na artykuły naukowe lub podejścia do eksploracji danych , w których zestawia się wiele produktów pracy eksperta. Takie systemy z większym prawdopodobieństwem będą wolne od błędów wprowadzonych przez użytkowników (np. ResearchScorecard ), chociaż użycie metod obliczeniowych może wprowadzić inne błędy.
Istnieją również podejścia hybrydowe, które wykorzystują dane generowane przez użytkowników (np. profile członków), sygnały społecznościowe (np. rekomendacje i potwierdzenia umiejętności) oraz sygnały spersonalizowane (np. powiązania społecznościowe między osobą wyszukującą a wynikami).
Przykłady systemów opisanych powyżej wymieniono w tabeli 1.
Tabela 1: Klasyfikacja systemów lokalizacji ekspertyz
| Typ | Domena aplikacji | Źródło danych | Przykłady |
|---|---|---|---|
| Sieć społecznościowa | Profesjonalna sieć | Generowane przez użytkowników i generowane przez społeczność | |
| Literatura naukowa | Identyfikacja publikacji o największym wpływie badawczym | Wygenerowane przez firmę zewnętrzną |
|
| Literatura naukowa | Wyszukiwanie ekspertyz | Oprogramowanie | |
| Baza wiedzy | Prywatna baza ekspertyz | Generowane przez użytkowników |
|
| Baza wiedzy | Publicznie dostępna baza ekspertyz | Wygenerowane przez użytkowników |
|
| Baza wiedzy | Prywatna baza ekspertyz | Wygenerowane przez osoby trzecie |
|
| Baza wiedzy | Publicznie dostępna baza ekspertyz | Wygenerowane przez osoby trzecie |
|
| Wyszukiwarki blogów | Wygenerowane przez osoby trzecie |
Problemy techniczne
Z zastosowania systemów wyszukiwania ekspertyz wynika szereg interesujących problemów:
- Dopasowanie pytań od osób niebędących ekspertami do bazy danych istniejącej wiedzy specjalistycznej jest z natury trudne, zwłaszcza gdy baza danych nie przechowuje wymaganej wiedzy specjalistycznej. Problem ten staje się jeszcze bardziej dotkliwy wraz z rosnącą ignorancją ze strony nie-eksperta, ze względu na typowe problemy wyszukiwania polegające na używaniu słów kluczowych do przeszukiwania nieustrukturyzowanych danych , które nie są znormalizowane semantycznie, a także zmienności w tym, jak dobrze ekspert skonfigurował swoje opisowe strony treści. Ulepszone dopasowywanie pytań jest jednym z powodów, dla których znormalizowane semantycznie systemy innych firm, takie jak ResearchScorecard i BiomedExperts, powinny być w stanie zapewnić lepsze odpowiedzi na zapytania użytkowników niebędących ekspertami.
- Unikanie zmęczenia eksperta spowodowanego zbyt dużą liczbą pytań/prośb od użytkowników systemu (ref. 1).
- Znalezienie sposobów na uniknięcie „grania” w system w celu uzyskania nieuzasadnionej wiarygodności ekspertyzy .
- Wnioskuj o ekspertyzie na podstawie ukrytych umiejętności. Ponieważ użytkownicy zwykle nie deklarują wszystkich posiadanych umiejętności, ważne jest, aby wywnioskować, że ich ukryte umiejętności są ściśle powiązane z umiejętnościami jawnymi. Krok wnioskowania może znacznie poprawić zapamiętywanie w wyszukiwaniu ekspertyz.
Ranking ekspertyz
Sposoby klasyfikowania i oceniania wiedzy specjalistycznej (a tym samym ekspertów) stają się niezbędne, jeśli liczba ekspertów zwróconych przez zapytanie jest większa niż garstka. Rodzi to następujące problemy społeczne związane z takimi systemami:
- Jak obiektywnie ocenić wiedzę fachową? Czy to w ogóle jest możliwe?
- Jakie są konsekwencje polegania na nieustrukturyzowanych społecznych ocenach wiedzy, takich jak rekomendacje użytkowników?
- Jak odróżnić autorytatywność jako zastępczą miarę wiedzy specjalistycznej od zwykłej popularności , która często jest funkcją umiejętności wyrażania siebie w połączeniu z dobrym wyczuciem społecznym?
- Jakie są potencjalne konsekwencje piętna społecznego lub zawodowego związanego ze stosowaniem rankingu autorytetów, takiego jak stosowany w Technorati i ResearchScorecard)?
- Jak spersonalizować ranking ekspertyz dla każdego indywidualnego użytkownika? Jest to szczególnie ważne dla celów rekrutacyjnych, ponieważ mając te same umiejętności, osoby rekrutujące z różnych firm, branż, lokalizacji mogą mieć różne preferencje co do kandydatów i ich różne obszary specjalizacji.
Źródła danych do oceny ekspertyz
Do wnioskowania o wiedzy specjalistycznej wykorzystano wiele typów źródeł danych. Można je ogólnie podzielić na kategorie na podstawie tego, czy mierzą „surowe” wkłady dostarczone przez eksperta, czy też do tych wkładów stosuje się jakiś filtr.
Niefiltrowane źródła danych, które zostały wykorzystane do oceny wiedzy fachowej, w dowolnej kolejności:
- samozgłoszona wiedza specjalistyczna na temat platform sieciowych
- dzielenie się wiedzą specjalistyczną za pośrednictwem platform
- zalecenia użytkowników
- bilety pomocy technicznej: na czym polegał problem i kto go naprawił
- ruch e-mailowy między użytkownikami
- dokumentów, czy to prywatnych, czy internetowych, w szczególności publikacji
- strony internetowe utrzymywane przez użytkowników
- raporty (techniczne, marketingowe itp.)
Filtrowane źródła danych, czyli wkłady, które wymagają zatwierdzenia przez strony trzecie (komitety grantowe, sędziowie, urząd patentowy itp.) są szczególnie cenne dla pomiaru wiedzy specjalistycznej w sposób minimalizujący uprzedzenia wynikające z popularności lub innych czynników społecznych:
- patenty , zwłaszcza jeśli zostały wydane
- publikacje naukowe
- przyznane granty (nieudane wnioski grantowe rzadko są znane poza autorami)
- Badania kliniczne
- premiery produktów
- leki farmaceutyczne
Podejścia do tworzenia treści eksperckich
- Podręcznik, albo przez samych ekspertów (np. Skillhive) albo przez kuratora (Expertise Finder)
- Zautomatyzowane, np. przy użyciu agentów programowych (np. ExpertFinder MIT) lub kombinacji agentów i personelu (np. ResearchScorecard )
- W wyszukiwarkach branżowych (np. LinkedIn) do funkcji rankingowych trafia wiele sygnałów, takich jak treści generowane przez użytkowników (np. profile), treści generowane przez społeczność (np. rekomendacje i rekomendacje umiejętności) oraz sygnały spersonalizowane ( np. powiązania społeczne). Ponadto zapytania użytkowników mogą zawierać wiele innych aspektów, które wymagają specjalistycznej wiedzy, takich jak lokalizacje, branże lub firmy. Dlatego ważne są również tradycyjne funkcje wyszukiwania informacji, takie jak dopasowywanie tekstu. Uczenie się rangowania jest zwykle używane do łączenia wszystkich tych sygnałów w funkcję rankingową
Odkrycie współpracownika
W środowisku akademickim powiązanym problemem jest odkrywanie współpracowników, gdzie celem jest zasugerowanie badaczowi odpowiednich współpracowników. Podczas gdy znalezienie ekspertyzy jest problemem asynchronicznym (pracodawca szuka pracownika), odkrywanie współpracowników można odróżnić od znajdowania ekspertyzy, pomagając w ustanowieniu bardziej symetrycznych relacji (współpracy). Ponadto, podczas gdy w ekspertyzie znalezienie zadania często można jasno scharakteryzować, nie ma to miejsca w przypadku badań akademickich, w których przyszłe cele są bardziej rozmyte.
Dalsza lektura
- Ackerman, Mark and McDonald, David (1998) „Po prostu porozmawiaj ze mną: badanie terenowe lokalizacji wiedzy specjalistycznej” Materiały z konferencji ACM z 1998 r. na temat pracy spółdzielczej wspomaganej komputerowo .
- Hughes, Gareth i Crowder, Richard (2003) „Doświadczenia w projektowaniu wysoce elastycznych systemów wyszukiwania wiedzy specjalistycznej” Materiały z konferencji DETC 2003 .
- Maybury, M., D'Amore, R., House, D. (2002). „Świadomość wiedzy organizacyjnej”. International Journal of Human-Computer Interaction 14 (2): 199-217.
- Maybury, M., D'Amore, R., House, D. (2000). Automatyzacja wyszukiwania ekspertów. International Journal of Technology Research Management. 43(6): 12-15.
- Maybury, M., D'Amore, R i House, D. grudzień (2001). Wyszukiwanie ekspertów dla współpracujących środowisk wirtualnych. Komunikaty ACM 14 (12): 55-56. W Ragusa, J. i Bochenek, G. (red.). Specjalna sekcja dotycząca wirtualnych środowisk projektowych do współpracy.
- Maybury, M., D'Amore, R. i House, D. (2002). Automatyczne wykrywanie i mapowanie wiedzy specjalistycznej. W Ackerman, M., Cohen, A., Pipek, V. i Wulf, V. (red.). Poza zarządzaniem wiedzą: dzielenie się wiedzą specjalistyczną. Cambridge: MIT Press.
- Mattox, D., M. Maybury i in. (1999). „Ekspert korporacyjny i odkrywanie wiedzy”. Materiały z 8. Międzynarodowej Konferencji na temat interakcji człowiek-komputer (HCI International 99) , Monachium, Niemcy.
- Tang, J., Zhang J., Yao L., Li J., Zhang L. i Su Z. (2008) „ArnetMiner: wydobycie i wydobywanie akademickich sieci społecznościowych” Materiały z 14. międzynarodowej konferencji ACM SIGKDD poświęconej odkrywaniu wiedzy i eksploracja danych .
- Viavacqua, A. (1999). „Agenci lokalizacji ekspertyzy”. Materiały z wiosennego sympozjum AAAI z 1999 r. na temat inteligentnych agentów w cyberprzestrzeni , Stanford, Kalifornia.