Descoberta de especialização
Content
Importância da experiência
Pode -se argumentar que a experiência humana é mais valiosa que o capital, meios de produção ou propriedade intelectual. [Citação necessária] Contrariamente à experiência, todos os outros aspectos do capitalismo agora são relativamente genéricos: o acesso ao capital é global, assim como o acesso a meios de meios de produção para muitas áreas de fabricação. A propriedade intelectual pode ser licenciada da mesma forma. Além disso, a conclusão da experiência também é um aspecto essencial da memória institucional, pois sem seus especialistas, uma instituição é efetivamente decapitada. No entanto, encontrar e "licenciar" a experiência, a chave para o uso eficaz desses recursos, permanecem muito mais difíceis, começando com o primeiro passo: encontrar experiência em que você pode confiar.
Até muito recentemente, encontrar experiência exigia uma mistura de práticas individuais, sociais e colaborativas, um processo aleatório na melhor das hipóteses. Principalmente, envolveu entrar em contato com indivíduos em que se confia e pedindo referências, enquanto esperava que o julgamento sobre esses indivíduos seja justificado e que suas respostas sejam atenciosas.
Nos últimos quinze anos, surgiu uma classe de software de gerenciamento de conhecimento para facilitar e melhorar a qualidade da descoberta de especialistas, denominada "experiência de localização de sistemas". Esses software variam de sistemas de redes sociais a bases de conhecimento. Alguns softwares, como os do campo de redes sociais, confiam nos usuários para se conectarem, usando a filtragem social para atuar como "sistemas de recomendação".
No outro extremo do espectro, existem bases de conhecimento especializadas que dependem de especialistas para preencher um tipo especializado de banco de dados com suas áreas autodeterminadas de especialização e contribuições e não confia nas recomendações do usuário. Também existem híbridos que apresentam conteúdo povoado de especialistas em conjunto com as recomendações do usuário e são indiscutivelmente mais valiosas para fazê-lo.
Ainda outras bases de conhecimento de conhecimento dependem estritamente de manifestações externas de especialização, aqui denominadas "objetos fechados", por exemplo, impactos de citação para trabalhos científicos ou abordagens de mineração de dados em que muitos dos produtos de trabalho de um especialista são coletados. É mais provável que esses sistemas estejam livres de vieses introduzidos pelo usuário (por exemplo, pesquisa-escoras), embora o uso de métodos computacionais possa introduzir outros vieses.
Também existem abordagens híbridas que usam dados gerados pelo usuário (por exemplo, perfis de membros), sinais baseados na comunidade (por exemplo, recomendações e endossos de habilidades) e sinais personalizados (por exemplo, conexão social entre pesquisador e resultados).
Exemplos dos sistemas descritos acima estão listados na Tabela 1.
Tabela 1: Uma classificação de sistemas de localização de especialização
TypeApplication domainData sourceExamplesSocial networkingProfessional networkingUser-generated and community-generatedLinkedInResearchGateXINGAcademia.eduScientific literatureIdentifying publications with strongest research impactThird-party generatedScience Citation Index (Thomson Reuters)Scientific literatureExpertise searchSoftwareArnetminerKnowledge basePrivate expertise databaseUser-GeneratedMITRE Expert Finder (MITRE Corporation)MIT ExpertFinder (ref. 3)Decisiv Search Matters & Expertise (Recommind, Inc.)ProFinda (ProFinda Ltd)Skillhive (Intunex)Tacit Software (Oracle Corporation)GuruScan (GuruScan Social Expert Guide)Knowledge basePublicly accessible expertise databaseUser-generatedExpertise FinderCommunity of Science ExpertiseResearcherID (Thomson Reuters)Knowledge basePrivate expertise databaseThird party-generatedMITRE Expert Finder (MITRE Corporation)MIT ExpertFinder (ref. 3)MindServer Expertise (Recommind, Inc.)Tacit SoftwareKnowledge basePublicly accessible expertise databaseThird party-generatedResearchScorecard (ResearchScorecard Inc.)authoratory.comBiomedExperts (Collexis Holdings Inc.)KnowledgeMesh (Hershey Center for Applied Research)Community Academic Profiles (Stanford School of Medicine)ResearchCrossroads.org (Innolyst, Inc.)Blog search enginesThird party-generatedTechnoratiProblemas técnicos
Vários problemas interessantes seguem o uso de sistemas de busca de experiência:
The matching of questions from non-expert to the database of existing expertise is inherently difficult, especially when the database does not store the requisite expertise. This problem grows even more acute with increasing ignorance on the part of the non-expert due to typical search problems involving use of keywords to search unstructured data that are not semantically normalized, as well as variability in how well an expert has set up their descriptive content pages. Improved question matching is one reason why third-party semantically normalized systems such as ResearchScorecard and BiomedExperts should be able to provide better answers to queries from non-expert users.Avoiding expert-fatigue due to too many questions/requests from users of the system (ref. 1).Finding ways to avoid "gaming" of the system to reap unjustified expertise credibility.Infer expertise on implicit skills. Since users typically do not declare all of the skills they have, it is important to infer their implicit skills that are highly related their explicit ones. The inference step can significantly improve recall in expertise finding.Classificação de especialistas
Os meios de classificar e classificar a experiência (e, portanto, especialistas) se tornam essenciais se o número de especialistas retornados por uma consulta for maior que um punhado. Isso levanta os seguintes problemas sociais associados a esses sistemas:
How can expertise be assessed objectively? Is that even possible?What are the consequences of relying on unstructured social assessments of expertise, such as user recommendations?How does one distinguish authoritativeness as a proxy metric of expertise from simple popularity, which is often a function of one's ability to express oneself coupled with a good social sense?What are the potential consequences of the social or professional stigma associated with the use of an authority ranking, such as used in Technorati and ResearchScorecard)?How to make expertise ranking personalized to each individual searcher? This is particularly important for recruiting purpose since given the same skills, recruiters from different companies, industries, locations might have different preferences for candidates and their varying areas of expertise.Fontes de dados para avaliar a experiência
Muitos tipos de fontes de dados foram usados para inferir a experiência. Eles podem ser amplamente categorizados com base no fato de medir as contribuições "brutas" fornecidas pelo especialista ou se algum tipo de filtro é aplicado a essas contribuições.
Fontes de dados não filtradas que foram usadas para avaliar a experiência, em nenhuma ordem de classificação específica:
self-reported expertise on networking platformsexpertise sharing through platformsuser recommendationshelp desk tickets: what the problem was and who fixed ite-mail traffic between usersdocuments, whether private or on the web, particularly publicationsuser-maintained web pagesreports (technical, marketing, etc.)Fontes de dados filtradas, isto é, contribuições que exigem aprovação de terceiros (comitês de subsídios, árbitros, escritório de patentes etc.) são particularmente valiosos para medir a experiência de uma maneira que minimiza vieses que se seguem da popularidade ou de outros fatores sociais:
patents, particularly if issuedscientific publicationsissued grants (failed grant proposals are rarely known beyond the authors)clinical trialsproduct launchespharmaceutical drugsAbordagens para criar conteúdo de experiência
Manual, either by experts themselves (e.g., Skillhive) or by a curator (Expertise Finder)Automated, e.g., using software agents (e.g., MIT's ExpertFinder) or a combination of agents and human curation (e.g., ResearchScorecard )In industrial expertise search engines (e.g., LinkedIn), there are many signals coming into the ranking functions, such as, user-generated content (e.g., profiles), community-generated content (e.g., recommendations and skills endorsements) and personalized signals (e.g., social connections). Moreover, user queries might contain many other aspects rather required expertise, such as, locations, industries or companies. Thus, traditional information retrieval features like text matching are also important. Learning to rank is typically used to combine all of these signals together into a ranking functionDescoberta de colaborador
Na academia, um problema relacionado é o colaborador da descoberta, onde o objetivo é sugerir colaboradores adequados a um pesquisador. Embora a descoberta de especialistas seja um problema assíncrono (empregador que procura funcionário), a descoberta do colaborador pode ser distinguida da descoberta de especialistas, ajudando a estabelecer relacionamentos mais simétricos (colaborações). Além disso, embora com experiência em encontrar a tarefa geralmente pode ser claramente caracterizada, esse não é o caso da pesquisa acadêmica, onde objetivos futuros são mais confusos.