Экспертиза

Поиск экспертизы – это использование инструментов для поиска и оценки индивидуальной экспертизы . В сфере подбора персонала поиск опыта – это проблема поиска трудоспособных кандидатов с определенным необходимым набором навыков . Другими словами, это задача связать людей с областями знаний и, как таковая, является подзадачой поиска знаний (другой проблемой является профилирование знаний). ^[1]

Важность опыта

Можно утверждать, что человеческий опыт ^[2] более ценен, чем капитал, средства производства или интеллектуальная собственность. ^{[ нужна ссылка ]} Вопреки экспертным знаниям, все остальные аспекты капитализма сейчас являются относительно общими: доступ к капиталу является глобальным, как и доступ к средствам производства для многих областей производства. Интеллектуальная собственность может лицензироваться аналогичным образом. Более того, поиск экспертных знаний также является ключевым аспектом институциональной памяти , поскольку без экспертов институт фактически обезглавлен. Однако найти и «лицензировать» экспертные знания, являющиеся ключом к эффективному использованию этих ресурсов, по-прежнему гораздо сложнее, начиная с самого первого шага: поиска экспертных знаний, которым можно доверять.

До недавнего времени поиск экспертных знаний требовал сочетания индивидуальных, социальных и совместных практик, что в лучшем случае было бессистемным процессом. В основном это включало общение с людьми, которым доверяешь, и просьбу дать им рекомендации, при этом надеясь, что суждение об этих людях обосновано и что их ответы являются вдумчивыми.

За последние пятнадцать лет появился класс программного обеспечения для управления знаниями, призванный облегчить и улучшить качество поиска экспертных знаний, получивший название «системы поиска экспертных знаний». Это программное обеспечение варьируется от систем социальных сетей до баз знаний . Некоторые программы, например программы для социальных сетей, полагаются на то, что пользователи соединяются друг с другом, таким образом используя социальную фильтрацию в качестве «рекомендательных систем» .

На другом конце спектра находятся специализированные базы знаний , которые полагаются на экспертов для заполнения специализированного типа базы данных своими самостоятельно определяемыми областями знаний и вкладами и не полагаются на рекомендации пользователей. Гибриды, которые содержат контент, наполненный экспертами, в сочетании с рекомендациями пользователей, также существуют и, возможно, более ценны в этом отношении.

Другие базы экспертных знаний полагаются исключительно на внешние проявления экспертных знаний, называемые здесь «закрытыми объектами», например, влияние цитирования на научные статьи или подходы интеллектуального анализа данных , в которых сопоставляются многие из рабочих продуктов эксперта. Такие системы с большей вероятностью будут свободны от предвзятостей, вносимых пользователем (например, ResearchScorecard ), хотя использование вычислительных методов может привнести и другие предвзятости.

Существуют также гибридные подходы, в которых используются данные, генерируемые пользователями (например, профили участников), сигналы сообщества (например, рекомендации и подтверждения навыков) и персонализированные сигналы (например, социальная связь между пользователем поиска и результатами).

Примеры описанных выше систем приведены в таблице 1.

Таблица 1. Классификация систем определения экспертной базы

Тип	Домен приложения	Источник данных	Примеры
Социальные сети	Профессиональное общение	Созданные пользователями и сообществом	LinkedIn ^[3] ИсследованияГейт СИН Academia.edu
Научная литература	Выявление публикаций с наибольшим исследовательским воздействием	Создано третьей стороной	Индекс научного цитирования (Thomson Reuters)
Научная литература	Поиск экспертизы	Программное обеспечение	Арнеттмайнер
База знаний	База данных частной экспертизы	Созданный пользователем	MITRE Expert Finder (Корпорация MITRE) MIT ExpertFinder (ссылка 3) Решающий поиск имеет значение и экспертные знания ( Recommind , Inc.) ПроФинда (ООО ПроФинда) Улей навыков (Intunex) Tacit Software (Корпорация Oracle) GuruScan (Руководство для экспертов по социальным вопросам GuruScan)
База знаний	Публично доступная база данных экспертиз	Созданный пользователем	Поиск опыта Сообщество научной экспертизы ResearcherID (Thomson Reuters)
База знаний	База данных частной экспертизы	Созданные третьей стороной	MITRE Expert Finder (Корпорация MITRE) MIT ExpertFinder (ссылка 3) Опыт MindServer ( Recommind , Inc.) Молчаливое программное обеспечение
База знаний	Публично доступная база данных экспертиз	Созданные третьей стороной	ResearchScorecard (ResearchScorecard Inc.) authoratory.com БиомедЭкспертс (Коллексис Холдингс Инк.) KnowledgeMesh (Центр прикладных исследований Херши) Академические профили сообщества (Стэнфордская медицинская школа) ResearchCrossroads.org (Innolyst, Inc.)
по блогам Поисковые системы		Созданные третьей стороной	Технорати

Технические проблемы

Использование систем поиска опыта приводит к ряду интересных проблем:

Сопоставление вопросов неспециалиста с базой данных существующих знаний по своей сути затруднено, особенно когда в базе данных не хранятся необходимые знания. Эта проблема становится еще более острой по мере увеличения невежества со стороны неспециалистов из-за типичных проблем поиска, связанных с использованием ключевых слов для поиска неструктурированных данных , которые не семантически нормализованы, а также из-за различий в том, насколько хорошо эксперт настроил свои описательные страницы контента. Улучшенное сопоставление вопросов является одной из причин, почему сторонние семантически нормализованные системы, такие как ResearchScorecard и BiomedExperts, должны быть в состоянии предоставлять более качественные ответы на запросы пользователей, не являющихся экспертами.
Избежание утомления экспертов из-за слишком большого количества вопросов/запросов пользователей системы (ссылка 1).
Поиск способов избежать «игр» системы для получения неоправданного доверия к экспертным знаниям .
Сделайте вывод об экспертных знаниях по неявным навыкам. Поскольку пользователи обычно не декларируют все имеющиеся у них навыки, важно сделать вывод о том, что их неявные навыки тесно связаны с явными. Этап вывода может значительно улучшить запоминание при поиске экспертных знаний.

Рейтинг экспертности

Средства классификации и ранжирования знаний (и, следовательно, экспертов) становятся незаменимыми, если число экспертов, возвращаемых запросом, превышает несколько. Это порождает следующие социальные проблемы, связанные с такими системами:

Как можно объективно оценить экспертность? Возможно ли это вообще?
Каковы последствия использования неструктурированных социальных оценок опыта, таких как рекомендации пользователей?
Как отличить авторитетность как показатель компетентности от простой популярности , которая часто является функцией способности выражать свое мнение в сочетании с хорошим социальным чутьем?
Каковы потенциальные последствия социальной или профессиональной стигмы, связанной с использованием авторитетных рейтингов, например, используемых в Technorati и ResearchScorecard?
Как сделать рейтинг экспертности персонализированным для каждого отдельного пользователя? Это особенно важно для целей рекрутинга, поскольку, учитывая одни и те же навыки, рекрутеры из разных компаний, отраслей и мест могут иметь разные предпочтения в отношении кандидатов и их различных областей знаний. ^[3]

Источники данных для оценки экспертизы

Для вывода экспертных оценок использовались многие типы источников данных. Их можно разделить на общие категории в зависимости от того, измеряют ли они «необработанный» вклад, предоставленный экспертом, или к этим вкладам применяется какой-то фильтр.

Нефильтрованные источники данных, которые использовались для оценки опыта, в произвольном порядке:

самооценка опыта работы на сетевых платформах
обмен опытом через платформы
рекомендации пользователей
Билеты в службу поддержки: в чем была проблема и кто ее исправил
почтовый трафик между пользователями
документы, частные или в Интернете, особенно публикации
веб-страницы, поддерживаемые пользователями
отчеты (технические, маркетинговые и т.д.)

Отфильтрованные источники данных, то есть вклады, требующие одобрения третьих сторон (грантовых комитетов, рецензентов, патентного ведомства и т. д.), особенно ценны для измерения опыта таким образом, чтобы минимизировать предвзятость, возникающую из-за популярности или других социальных факторов:

патенты , особенно если выданы
научные публикации
выданные гранты (о неудавшихся грантовых предложениях редко известно за пределами авторов)
клинические испытания
запуск продукта
фармацевтические препараты

Подходы к созданию экспертного контента

Руководство, выполненное либо самими экспертами (например, Skillhive), либо куратором (Expertise Finder)
Автоматизировано, например, с использованием программных агентов (например, ExpertFinder от MIT) или комбинации агентов и человеческого курирования (например, ResearchScorecard).
В поисковых системах промышленной экспертизы (например, LinkedIn) в функции ранжирования поступает множество сигналов, таких как контент, создаваемый пользователями (например, профили), контент, создаваемый сообществом (например, рекомендации и подтверждения навыков) и персонализированные сигналы (например, например, социальные связи). Более того, пользовательские запросы могут содержать множество других аспектов, требующих специальных знаний, например, местоположение, отрасли или компании. Таким образом, традиционные функции поиска информации , такие как сопоставление текста, также важны. Обучение ранжированию обычно используется для объединения всех этих сигналов в функцию ранжирования. ^[3]

Открытие соавтора

В академических кругах схожей проблемой является поиск соавторов, цель которого состоит в том, чтобы предложить исследователю подходящих соавторов. Хотя поиск опыта является асинхронной проблемой (работодатель ищет сотрудника), обнаружение соавторов можно отличить от поиска опыта, помогая установить более симметричные отношения (сотрудничество). Кроме того, хотя в экспертном поиске задача часто может быть четко охарактеризована, в академических исследованиях дело обстоит иначе, где будущие цели более размыты. ^[4]

Ссылки

^ Балог, Кристиан (2012). «Поиск экспертизы». Основы и тенденции в области информационного поиска . 6 (2–3): 127–256. дои : 10.1561/1500000024 .
^ Ньеманзе, Икенна (2016). «Как на практике выглядит работа стратегического бизнес-партнера по управлению персоналом?» . Архивировано из оригинала 21 июня 2018 года . Проверено 21 августа 2022 г.
^ Jump up to: ^а ^б ^с Ха-Тук, Вьетнам; Венкатараман, Ганеша; Родригес, Марио; Синха, Шакти; Сундарам, Сентил; Го, Линь (2015). «Персонализированный поиск экспертных знаний в Linked In ». 2015 Международная конференция IEEE по большим данным (Big Data) . стр. 1238–1247. arXiv : 1602.04572 . дои : 10.1109/BigData.2015.7363878 . ISBN 978-1-4799-9926-2 . S2CID 12751245 .
^ Шлейер, Титус; Батлер, Брайан С.; Сон, Мэй; Спаллек, Хейко (2012). «Концептуализация и развитие исследовательских сетевых систем» . Транзакции ACM при взаимодействии компьютера и человека . 19 (1): 1–26. дои : 10.1145/2147783.2147785 . ПМЦ 3872832 . ПМИД 24376309 .

Дальнейшее чтение

Акерман, Марк и Макдональд, Дэвид (1998) «Просто поговори со мной: полевое исследование местоположения экспертных знаний» Материалы конференции ACM 1998 года по совместной работе, поддерживаемой компьютером .
Хьюз, Гарет и Краудер, Ричард (2003) «Опыт разработки легко адаптируемых систем поиска знаний» Материалы конференции DETC 2003 .
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 поиска экспертов. Международный журнал управления технологическими исследованиями. 43(6): 12-15.
Мэйбери М., Д'Амор Р. и Хаус Д. Декабрь (2001 г.). Экспертные заключения по виртуальным средам для совместной работы. Сообщения ACM 14 (12): 55-56. В Рагузе Дж. и Боченеке Г. (ред.). Специальный раздел, посвященный средам виртуального проектирования для совместной работы.
Мэйбери М., Д'Амор Р. и Хаус Д. (2002). Автоматизированное обнаружение и картирование опыта. В книге Акерман М., Коэн А., Пайпек В. и Вульф В. (ред.). Помимо управления знаниями: обмен опытом. Кембридж: MIT Press.
Мэттокс Д., М. Мэйбери и др. (1999). «Эксперт предприятия и открытие знаний». Материалы 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 открытию знаний и интеллектуальный анализ данных .
Виаваква, А. (1999). «Агенты по месту проведения экспертиз». Материалы весеннего симпозиума AAAI по интеллектуальным агентам в киберпространстве 1999 года , Стэнфорд, Калифорния.

[:0-1] Балог, Кристиан (2012). «Поиск экспертизы». Основы и тенденции в области информационного поиска . 6 (2–3): 127–256. дои : 10.1561/1500000024 .

[2] Ньеманзе, Икенна (2016). «Как на практике выглядит работа стратегического бизнес-партнера по управлению персоналом?» . Архивировано из оригинала 21 июня 2018 года . Проверено 21 августа 2022 г.

[:linkedin-3] Jump up to: ^а ^б ^с Ха-Тук, Вьетнам; Венкатараман, Ганеша; Родригес, Марио; Синха, Шакти; Сундарам, Сентил; Го, Линь (2015). «Персонализированный поиск экспертных знаний в Linked In ». 2015 Международная конференция IEEE по большим данным (Big Data) . стр. 1238–1247. arXiv : 1602.04572 . дои : 10.1109/BigData.2015.7363878 . ISBN 978-1-4799-9926-2 . S2CID 12751245 .

[4] Шлейер, Титус; Батлер, Брайан С.; Сон, Мэй; Спаллек, Хейко (2012). «Концептуализация и развитие исследовательских сетевых систем» . Транзакции ACM при взаимодействии компьютера и человека . 19 (1): 1–26. дои : 10.1145/2147783.2147785 . ПМЦ 3872832 . ПМИД 24376309 .

[1]

[2]

[3]

[4]