Оценка персональных навыков на основе результатов командной работы

Исследования показывают, что состав команды оказывает существенное влияние на эффективность результатов. "Честная" оценка навыков давно была предметом исследований; первой из широко известных систем стал рейтинг Эло, внедренный в шахматном мире в пятидесятые годы. По своей математической сути рейтинг-система – это просто способ сравнить несколько элементов по тому или иному признаку, не имея возможности сравнивать всех сразу, но имея возможность проводить немного "зашумленные" сравнения попарно или в других небольших группах. Таким образом, модель Брэдли-Терри оказывается полезной, например, для задачи классификации с несколькими категориями: по данным бинарных классификаторов (сравнивающих две категории) определить вероятности попадания в каждую из категорий. Задачи ранжирования могут быть важны в онлайн играх или в задачах обучения, где желательно формирование "равных" соревнующихся команд. Для этих целей была предложена рейтинг система TrueSkill. Но формирование равных по силе команд, является не единственной важной задачей, более того в некоторых случаях мы можем преследовать цель построить эффективную команду даже вопреки ее "рейтингу". В то время как существует достаточное количество теорий и моделей, направленных на выявление удачных социо-психологических комбинаций характеристик членов команды, крайне малое внимание исследователи уделяют сетевой структуре и динамике взаимодействия команды.

Данное исследование совмещает важные социально-сетевые аспекты формирования команд, с количественной оценкой успешности, на основе графовых вероятностных моделей.

За счет учета поведенческих паттернов, индивидуальной успешности и ранжирования проект вносит вклад в развитие теорий формирования команд в социотехнических системах, учитывающих мотивационные и поведенческие аспекты. Это будет способствовать оптимизации процессов подбора и обучения кадров и упростит составление оптимального графика работы сотрудников с учетом различных факторов.

Адаптация существующих рейтинговых моделей к новым данным позволит продемонстрировать высокую гибкость вероятностных моделей ранжирования, что может подтолкнуть к дальнейшему применению рейтингов на основе вероятностных моделей к более широкому классу задач.