Búsqueda de expertos

La búsqueda de expertos es el uso de herramientas para encontrar y evaluar la experiencia individual . En la industria de la contratación, la búsqueda de expertos es el problema de buscar candidatos empleables con ciertas habilidades requeridas . En otras palabras, es el desafío de vincular a los humanos con las áreas de experiencia y, como tal, es un subproblema de la recuperación de la experiencia (el otro problema es la elaboración de perfiles de experiencia). ^[1]

Importancia de la experiencia

Se puede argumentar que la experiencia humana ^[2] es más valiosa que el capital, los medios de producción o la propiedad intelectual. ^{[ cita requerida ]} A diferencia de la experiencia, todos los demás aspectos del capitalismo son ahora relativamente genéricos: el acceso al capital es global, como lo es el acceso a los medios de producción para muchas áreas de manufactura. La propiedad intelectual puede ser objeto de licencias de manera similar. Además, la búsqueda de expertos también es un aspecto clave de la memoria institucional , ya que sin sus expertos una institución está efectivamente decapitada. Sin embargo, encontrar y "licenciar" expertos, la clave para el uso efectivo de estos recursos, sigue siendo mucho más difícil, comenzando por el primer paso: encontrar expertos en los que se pueda confiar.

Hasta hace muy poco, encontrar expertos requería una combinación de prácticas individuales, sociales y colaborativas, un proceso aleatorio en el mejor de los casos. En la mayoría de los casos, implicaba ponerse en contacto con personas en las que uno confiaba y pedirles referencias, con la esperanza de que el juicio que uno tenía sobre esas personas estuviera justificado y que sus respuestas fueran bien pensadas.

En los últimos quince años, ha surgido una clase de software de gestión del conocimiento para facilitar y mejorar la calidad de la búsqueda de expertos, denominados "sistemas de localización de expertos". Estos programas van desde sistemas de redes sociales hasta bases de conocimiento . Algunos programas, como los del ámbito de las redes sociales, dependen de que los usuarios se conecten entre sí, por lo que utilizan el filtrado social para actuar como "sistemas de recomendación" .

En el otro extremo del espectro se encuentran las bases de conocimiento especializadas que dependen de expertos para llenar un tipo especializado de base de datos con sus áreas de especialización y contribuciones autodeterminadas, y no dependen de las recomendaciones de los usuarios. También existen bases de datos híbridas que incluyen contenido de expertos junto con recomendaciones de los usuarios, y se podría decir que son más valiosas para lograrlo.

Otras bases de conocimiento de expertos dependen estrictamente de manifestaciones externas de la experiencia, denominadas aquí "objetos restringidos", por ejemplo, los impactos de las citas de artículos científicos o los enfoques de minería de datos en los que se recopilan muchos de los productos de trabajo de un experto. Es más probable que estos sistemas estén libres de sesgos introducidos por el usuario (por ejemplo, ResearchScorecard), aunque el uso de métodos computacionales puede introducir otros sesgos.

También existen enfoques híbridos que utilizan datos generados por el usuario (por ejemplo, perfiles de miembros), señales basadas en la comunidad (por ejemplo, recomendaciones y recomendaciones de habilidades) y señales personalizadas (por ejemplo, conexión social entre el buscador y los resultados).

En la Tabla 1 se enumeran ejemplos de los sistemas descritos anteriormente.

Tabla 1: Clasificación de los sistemas de localización de expertos

Problemas técnicos

El uso de sistemas de búsqueda de expertos genera una serie de problemas interesantes:

• La comparación de las preguntas formuladas por personas no expertas con la base de datos de expertos existentes es inherentemente difícil, especialmente cuando la base de datos no almacena los conocimientos especializados necesarios. Este problema se agudiza aún más con la creciente ignorancia por parte de los no expertos debido a los problemas de búsqueda típicos que implican el uso de palabras clave para buscar datos no estructurados que no están normalizados semánticamente, así como la variabilidad en la forma en que un experto ha configurado sus páginas de contenido descriptivo. La mejora de la comparación de preguntas es una de las razones por las que los sistemas de terceros normalizados semánticamente, como ResearchScorecard y BiomedExperts, deberían poder proporcionar mejores respuestas a las consultas de los usuarios no expertos.
• Evitar la fatiga de los expertos debido a demasiadas preguntas/solicitudes de los usuarios del sistema (ref. 1).
• Encontrar formas de evitar “jugar” con el sistema para obtener una credibilidad experta injustificada .
• Inferir la experiencia a partir de las habilidades implícitas. Dado que los usuarios normalmente no declaran todas las habilidades que poseen, es importante inferir las habilidades implícitas que están estrechamente relacionadas con las explícitas. El paso de inferencia puede mejorar significativamente la capacidad de recordar la experiencia.

Clasificación de experiencia

Los medios de clasificación y jerarquización de la experiencia (y, por lo tanto, de los expertos) se vuelven esenciales cuando el número de expertos que arroja una consulta es superior a un puñado. Esto plantea los siguientes problemas sociales asociados con tales sistemas:

• ¿Cómo se puede evaluar la pericia de manera objetiva? ¿Es eso siquiera posible?
• ¿Cuáles son las consecuencias de confiar en evaluaciones sociales no estructuradas de la experiencia, como las recomendaciones de los usuarios?
• ¿Cómo se puede distinguir la autoridad como medida representativa de la experiencia de la simple popularidad , que a menudo es una función de la capacidad de uno para expresarse junto con un buen sentido social?
• ¿Cuáles son las posibles consecuencias del estigma social o profesional asociado con el uso de un ranking de autoridad, como el utilizado en Technorati y ResearchScorecard?
• ¿Cómo personalizar la clasificación de experiencia para cada buscador individual? Esto es particularmente importante para fines de reclutamiento, ya que, dadas las mismas habilidades, los reclutadores de diferentes empresas, industrias y ubicaciones pueden tener diferentes preferencias por candidatos y sus diversas áreas de especialización. ^[3]

Fuentes de datos para evaluar la experiencia

Se han utilizado muchos tipos de fuentes de datos para inferir la experiencia. Se pueden clasificar en general en función de si miden las contribuciones "en bruto" proporcionadas por el experto o si se aplica algún tipo de filtro a esas contribuciones.

Fuentes de datos sin filtrar que se han utilizado para evaluar la experiencia, sin ningún orden de clasificación particular:

• Experiencia autodeclarada en plataformas de redes
• intercambio de conocimientos a través de plataformas
• recomendaciones de usuarios
• Tickets de soporte técnico: cuál fue el problema y quién lo solucionó
• Tráfico de correo electrónico entre usuarios
• documentos, ya sean privados o en la web, particularmente publicaciones
• páginas web mantenidas por el usuario
• informes (técnicos, de marketing, etc.)

Las fuentes de datos filtradas, es decir, contribuciones que requieren la aprobación de terceros (comités de subvenciones, árbitros, oficina de patentes, etc.) son particularmente valiosas para medir la experiencia de una manera que minimice los sesgos que surgen de la popularidad u otros factores sociales:

• patentes , en particular si se conceden
• publicaciones científicas
• subvenciones concedidas (las propuestas de subvenciones fallidas rara vez son conocidas más allá de los autores)
• ensayos clínicos
• Lanzamientos de productos
• Medicamentos farmacéuticos

Enfoques para la creación de contenido especializado

• Manual, ya sea por los propios expertos (por ejemplo, Skillhive) o por un curador (Expertise Finder)
• Automatizado, por ejemplo, mediante agentes de software (por ejemplo, ExpertFinder del MIT) o una combinación de agentes y curación humana (por ejemplo, ResearchScorecard)
• En los motores de búsqueda de experiencia industrial (por ejemplo, LinkedIn), hay muchas señales que llegan a las funciones de clasificación, como contenido generado por el usuario (por ejemplo, perfiles), contenido generado por la comunidad (por ejemplo, recomendaciones y recomendaciones de habilidades) y señales personalizadas (por ejemplo, conexiones sociales). Además, las consultas de los usuarios pueden contener muchos otros aspectos además de la experiencia requerida, como ubicaciones, industrias o empresas. Por lo tanto, las funciones tradicionales de recuperación de información, como la coincidencia de texto, también son importantes. El aprendizaje de la clasificación se utiliza normalmente para combinar todas estas señales en una función de clasificación ^[3].

Descubrimiento de colaboradores

En el ámbito académico, un problema relacionado es el descubrimiento de colaboradores, cuyo objetivo es sugerir colaboradores adecuados a un investigador. Si bien la búsqueda de expertos es un problema asincrónico (el empleador busca un empleado), el descubrimiento de colaboradores se puede distinguir de la búsqueda de expertos al ayudar a establecer relaciones más simétricas (colaboraciones). Además, si bien en la búsqueda de expertos la tarea a menudo se puede caracterizar claramente, este no es el caso en la investigación académica, donde los objetivos futuros son más difusos. ^[4]

Referencias

1. Balog, Krisztian (2012). "Expertise Retrieval". Fundamentos y tendencias en recuperación de información . 6 (2–3): 127–256. doi :10.1561/1500000024.
2. Njemanze, Ikenna (2016). "¿Cómo se ve en la práctica ser un socio estratégico de recursos humanos?". Archivado desde el original el 21 de junio de 2018. Consultado el 21 de agosto de 2022 .
3. Ha-Thuc, Viet; Venkataraman, Ganesh; Rodríguez, Mario; Sinha, Shakti; Sundaram, Senthil; Guo, Lin (2015). "Búsqueda de expertos personalizada en LinkedIn " . Conferencia internacional IEEE de 2015 sobre Big Data (Big Data) . págs. 1238–1247. arXiv : 1602.04572 . doi :10.1109/BigData.2015.7363878. ISBN . 978-1-4799-9926-2.S2CID12751245  .​
4. Schleyer, Titus; Butler, Brian S.; Song, Mei; Spallek, Heiko (2012). "Conceptualización y avance de los sistemas de redes de investigación". ACM Transactions on Computer-Human Interaction . 19 (1): 1–26. doi :10.1145/2147783.2147785. PMC 3872832 . PMID  24376309. 

Lectura adicional

1. Ackerman, Mark y McDonald, David (1998) "Just Talk to Me: A Field Study of Expertise Location" Actas de la Conferencia ACM de 1998 sobre Trabajo Cooperativo Apoyado por Computadora .
2. Hughes, Gareth y Crowder, Richard (2003) "Experiencias en el diseño de sistemas de búsqueda de experiencia altamente adaptables" Actas de la Conferencia DETC 2003 .
3. Maybury, M., D'Amore, R., House, D. (2002). "Conciencia de la pericia organizacional". Revista Internacional de Interacción Hombre-Ordenador 14 (2): 199-217.
4. Maybury, M., D'Amore, R., House, D. (2000). Automatización de la búsqueda de expertos. Revista internacional de gestión de la investigación tecnológica. 43(6): 12-15.
5. Maybury, M., D'Amore, R. y House, D. (diciembre de 2001). Hallazgos de expertos para entornos virtuales colaborativos. Communications of the ACM 14 (12): 55-56. En Ragusa, J. y Bochenek, G. (eds). Sección especial sobre entornos virtuales de diseño colaborativo.
6. Maybury, M., D'Amore, R. y House, D. (2002). Descubrimiento y mapeo automatizados de la experiencia. En Ackerman, M., Cohen, A., Pipek, V. y Wulf, V. (eds.). Más allá de la gestión del conocimiento: compartir la experiencia. Cambridge: MIT Press.
7. Mattox, D., M. Maybury, et al. (1999). "Experto empresarial y descubrimiento de conocimiento". Actas de la 8.ª Conferencia internacional sobre interacciones hombre-ordenador (HCI International 99) , Múnich, Alemania.
8. Tang, J., Zhang J., Yao L., Li J., Zhang L. y Su Z. (2008) "ArnetMiner: extracción y minería de redes sociales académicas" Actas de la 14ª conferencia internacional ACM SIGKDD sobre descubrimiento de conocimiento y minería de datos .
9. Viavacqua, A. (1999). "Agentes para la localización de expertos". Actas del Simposio de primavera de 1999 de la AAAI sobre agentes inteligentes en el ciberespacio , Stanford, CA.