Promoting Research Collaboration with Open Data Driven Team Recommendation in Response to Call for Proposals

要約

チームの構築とコラボレーションの促進は、非常に一般的なビジネス活動です。
これらの例は、TeamingForFunding 問題に見られます。この問題では、研究機関と研究者は、資金提供機関の提案募集に応じて資金提供機関に申請する際に、協力の機会を特定することに関心を持っています。
さまざまな AI 手法を使用してチームを推薦する新しいシステムについて説明します。これにより、(1) 各チームが機会によって要求されるスキルを可能な限り最大限にカバーし、(2) 機会を配分する作業負荷が候補者間でバランスがとれます。
メンバー。
私たちは、提案募集（需要）と研究者のプロフィール（供給）のオープンデータに潜在するスキルを抽出し、分類法を使用して正規化し、需要と供給を一致させる効率的なアルゴリズムを作成することで、これらの質問に対処します。
私たちは、短期目標と長期目標のバランスをとる新しい指標に沿って良さを最大化するチームを編成します。
私たちは、アルゴリズムの成功を検証します。(1) 優れたスコアを使用して推奨チームを評価することで定量的に検証します。また、より多くの情報に基づいた方法により、チーム数は少なくても優れたチームが推奨されることがわかります。(2) 大規模な調査を実施することで定性的に検証します。
ユーザー調査を大学全体のレベルで拡大し、ユーザー全体がこのツールが非常に有用で関連性があると感じていることを実証します。
最後に、米国とインドの 2 つの異なる環境 (研究者と提案募集) でシステムを評価して、アプローチの一般性を確立し、米国の主要大学で日常的に使用できるように導入しました。

要約(オリジナル)

Building teams and promoting collaboration are two very common business activities. An example of these are seen in the TeamingForFunding problem, where research institutions and researchers are interested to identify collaborative opportunities when applying to funding agencies in response to latter’s calls for proposals. We describe a novel system to recommend teams using a variety of AI methods, such that (1) each team achieves the highest possible skill coverage that is demanded by the opportunity, and (2) the workload of distributing the opportunities is balanced amongst the candidate members. We address these questions by extracting skills latent in open data of proposal calls (demand) and researcher profiles (supply), normalizing them using taxonomies, and creating efficient algorithms that match demand to supply. We create teams to maximize goodness along a novel metric balancing short- and long-term objectives. We validate the success of our algorithms (1) quantitatively, by evaluating the recommended teams using a goodness score and find that more informed methods lead to recommendations of smaller number of teams but higher goodness, and (2) qualitatively, by conducting a large-scale user study at a college-wide level, and demonstrate that users overall found the tool very useful and relevant. Lastly, we evaluate our system in two diverse settings in US and India (of researchers and proposal calls) to establish generality of our approach, and deploy it at a major US university for routine use.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google