専門知識の発見

専門性発見とは、個人の専門性を発見し評価するためのツールを用いることです。人材紹介業界において、専門性発見とは、特定のスキルセットを持つ採用可能な候補者を探すという課題です。言い換えれば、これは人間と専門分野を結び付けるという課題であり、専門性検索（もう一つの課題は専門性プロファイリング）の副次的な問題です。[ 1 ]

専門知識の重要性

人的専門知識[ 2 ]は、資本、生産手段、知的財産よりも価値があると 言えるでしょう。専門知識とは対照的に、資本主義の他のすべての側面は今や比較的汎用的です。資本へのアクセスはグローバルであり、多くの製造分野における生産手段へのアクセスも同様です。知的財産も同様にライセンス供与可能です。さらに、専門知識の発見は組織記憶の重要な側面でもあります。なぜなら、専門家がいなければ、組織は事実上、首を切られてしまうからです。しかし、これらの資源を効果的に活用するための鍵となる専門知識の発見と「ライセンス供与」は、最初のステップである「信頼できる専門知識の発見」から、依然として非常に困難です。

ごく最近まで、専門知識を得るには、個人、社会、そして協働といった様々な活動を組み合わせる必要があり、せいぜい場当たり的なプロセスでした。ほとんどの場合、信頼できる人に連絡を取り、紹介を依頼し、その人たちについての自分の判断が正当であり、彼らの答えが思慮深いものであることを期待するだけでした。

過去15年間で、専門知識の発見を容易にし、その質を向上させることを目的とした「専門知識検索システム」と呼ばれる知識管理ソフトウェアが登場しました。これらのソフトウェアは、ソーシャルネットワーキングシステムからナレッジベースまで多岐にわたります。ソーシャルネットワーキング分野のソフトウェアのように、ユーザー同士のつながりに依存し、ソーシャルフィルタリングを利用して「レコメンダーシステム」として機能するものもあります。

一方、スペクトラムの対極に位置するのが、専門家が自らの専門分野と貢献に基づいて専門的なデータベースを構築する専門ナレッジベースです。これは、ユーザーの推奨に頼るものではありません。専門家が構築したコンテンツとユーザーの推奨を組み合わせたハイブリッド型も存在し、その点においてより高い価値を持つと言えるでしょう。

他にも、専門知識の外部的な表現（ここでは「ゲートオブジェクト」と呼ぶ）のみに依存する専門知識知識ベースがあります。例えば、科学論文の引用インパクトや、専門家の成果物の多くを集約するデータマイニング手法などが挙げられます。このようなシステムは、ユーザーによってもたらされるバイアス（例： ResearchScorecard ）の影響が少ない傾向がありますが、計算手法の使用によって他のバイアスが生じる可能性があります。

また、ユーザーが生成したデータ (メンバー プロファイルなど)、コミュニティ ベースのシグナル (推奨事項やスキルの推奨など)、パーソナライズされたシグナル (検索者と結果間のソーシャル接続など) を使用するハイブリッド アプローチもあります。

上記のシステムの例を表 1 に示します。

表1: 専門知識ロケーションシステムの分類

タイプ アプリケーションドメイン データソース 例
ソーシャルネットワーキング プロフェッショナルネットワーキング ユーザー生成とコミュニティ生成
科学文献最も研究影響力のある出版物を特定する サードパーティ生成
科学文献専門知識の検索 ソフトウェア
ナレッジベース プライベート専門知識データベース ユーザー生成
  • MITRE エキスパートファインダー (MITRE コーポレーション)
  • MIT ExpertFinder（文献3）
  • Decisiv Search Matters & Expertise ( Recommind , Inc.)
  • プロフィンダ（プロフィンダ株式会社）
  • スキルハイブ（インチュネックス）
  • タシットソフトウェア（オラクル社）
  • GuruScan（GuruScanソーシャルエキスパートガイド）
ナレッジベース 公開アクセス可能な専門知識データベース ユーザー生成
  • 専門知識ファインダー
  • 科学の専門知識のコミュニティ
  • ResearcherID（トムソン・ロイター）
ナレッジベース プライベート専門知識データベース サードパーティ生成
  • MITRE エキスパートファインダー (MITRE コーポレーション)
  • MIT ExpertFinder（文献3）
  • MindServerの専門知識（Recommind株式会社）
  • 暗黙のソフトウェア
ナレッジベース 公開アクセス可能な専門知識データベース サードパーティ生成
  • リサーチスコアカード（リサーチスコアカード株式会社）
  • authoratory.com
  • BiomedExperts（Collexis Holdings Inc.）
  • KnowledgeMes​​h（ハーシー応用研究センター）
  • コミュニティ学術プロファイル（スタンフォード医学部）
  • ResearchCrossroads.org（Innolyst, Inc.）
ブログ検索エンジンサードパーティ生成

技術的な問題

専門知識検索システムの使用により、いくつかの興味深い問題が生じます。

専門知識ランキング

クエリによって返される専門家の数が少数を超える場合、専門知識（ひいては専門家）を分類・ランク付けする手段が不可欠になります。このようなシステムには、以下のような社会的な問題が伴います。

  • 専門知識を客観的に評価するにはどうすればいいのでしょうか？そもそもそんなことは可能なのでしょうか？
  • ユーザーの推奨など、専門知識に関する非構造化ソーシャル評価に頼ると、どのような結果になるでしょうか?
  • 専門知識の代理指標としての権威と、自己表現能力と良好な社会的感覚の組み合わせによって決まることが多い単なる人気とをどのように区別すればよいのでしょうか。
  • Technorati や ResearchScorecard で使用されているような権威ランキングの使用に関連する社会的または職業的な汚名の潜在的な結果は何ですか?
  • 専門知識のランキングを個々の検索者に合わせてパーソナライズするにはどうすればよいでしょうか？これは特に採用活動において重要です。なぜなら、同じスキルを持っていても、企業、業界、地域が異なる採用担当者は、候補者の好みや専門分野が異なる可能性があるからです。[ 3 ]

専門知識を評価するためのデータのソース

専門知識を推測するために、様々な種類のデータソースが利用されてきました。それらは、専門家が提供する「生の」貢献を測定するのか、それとも何らかのフィルターを適用して測定するのかによって、大まかに分類できます。

専門知識を評価するために使用されたフィルタリングされていないデータ ソース (特に順位付けはありません)。

  • ネットワーキングプラットフォームに関する自己申告の専門知識
  • プラットフォームを通じた専門知識の共有
  • ユーザーの推奨事項
  • ヘルプデスクのチケット: 問題は何だったのか、誰がそれを解決したのか
  • ユーザー間の電子メールトラフィック
  • 個人文書やウェブ上の文書、特に出版物
  • ユーザーが管理するウェブページ
  • レポート（技術、マーケティングなど）

フィルタリングされたデータ ソース、つまり第三者 (助成金委員会、審査員、特許庁など) による承認を必要とする投稿は、人気やその他の社会的要因から生じる偏りを最小限に抑えながら専門知識を測定するのに特に役立ちます。

  • 特許、特に発行された場合
  • 科学出版物
  • 交付された助成金（失敗した助成金申請は作成者以外にはほとんど知られていない）
  • 臨床試験
  • 製品の発売
  • 医薬品

専門知識コンテンツを作成するためのアプローチ

  • 専門家自身（例：Skillhive）またはキュレーター（Expertise Finder）によるマニュアル
  • 自動化、例えばソフトウェアエージェント（例：MITのExpertFinder）またはエージェントと人間によるキュレーションの組み合わせ（例：ResearchScorecard）を使用
  • 業界専門知識検索エンジン（例：LinkedIn）では、ユーザー生成コンテンツ（例：プロフィール）、コミュニティ生成コンテンツ（例：推薦やスキル推薦）、パーソナライズされたシグナル（例：ソーシャルコネクション）など、多くのシグナルがランキング機能に入力されます。さらに、ユーザーのクエリには、専門知識以外にも、場所、業界、企業など、様々な側面が含まれている可能性があります。そのため、テキストマッチングなどの従来の情報検索機能も重要です。ランキング学習は、通常、これらのシグナルをすべて組み合わせてランキング機能を構築するために使用されます[ 3 ]

協力者の発見

学術界では、関連する問題として協力者の発見があり、その目的は研究者に適切な協力者を提案することです。専門知識の発見は非同期的な問題（雇用主が従業員を探す）ですが、協力者の発見は、より対称的な関係（共同研究）の構築を支援するという点で、専門知識の発見とは区別されます。また、専門知識の発見ではタスクを明確に特徴付けることができることが多いのに対し、学術研究では将来の目標がより曖昧であるため、そうではありません。[ 4 ]

参考文献

  1. ^ Balog, Krisztian (2012). 「専門知識検索」.情報検索の基礎と動向. 6 ( 2–3 ): 127–256 . doi : 10.1561/1500000024 .
  2. ^ Njemanze, Ikenna (2016). 「戦略的HRビジネスパートナーとは実際にはどのような存在か？」 2018年6月21日時点のオリジナルよりアーカイブ。 2022年8月21日閲覧。
  3. ^ a b c Ha-Thuc, Viet; Venkataraman, Ganesh; Rodriguez, Mario; Sinha, Shakti; Sundaram, Senthil; Guo, Lin (2015). 「Linked Inにおけるパーソナライズされた専門知識検索」. 2015 IEEE International Conference on Big Data (Big Data) . pp.  1238– 1247. arXiv : 1602.04572 . doi : 10.1109/BigData.2015.7363878 . ISBN 978-1-4799-9926-2. S2CID  12751245 .
  4. ^ Schleyer, Titus; Butler, Brian S.; Song, Mei; Spallek, Heiko (2012). 「研究ネットワーキングシステムの概念化と推進」 . ACM Transactions on Computer-Human Interaction . 19 (1): 1– 26. doi : 10.1145/2147783.2147785 . PMC 3872832. PMID 24376309 .  

さらに読む

  1. Ackerman, Mark、McDonald, David (1998)「Just Talk to Me: 専門知識の所在に関するフィールド研究」1998 ACM コンピュータ支援協同作業会議議事録。
  2. Hughes, Gareth および Crowder, Richard (2003)「適応性の高い専門知識検索システムの設計経験」 DETC カンファレンス 2003 の議事録。
  3. Maybury, M., D'Amore, R., House, D. (2002). 「組織の専門知識の認識」International Journal of Human-Computer Interaction 14 (2): 199–217.
  4. Maybury, M., D'Amore, R., House, D. (2000). 専門家発見の自動化.国際技術研究管理ジャーナル. 43(6): 12–15.
  5. Maybury, M., D'Amore, R., House, D. December (2001). 協調型仮想環境に関する専門家の知見. Communications of the ACM 14 (12): 55–56. Ragusa, J. および Bochenek, G. (編). 協調型仮想設計環境に関する特別セクション.
  6. Maybury, M., D'Amore, R. and House, D. (2002). 自動発見と専門知識のマッピング. Ackerman, M., Cohen, A., Pipek, V. and Wulf, V. (編). 『知識管理を超えて：専門知識の共有』ケンブリッジ：MIT出版.
  7. Mattox, D., M. Maybury, et al. (1999). 「エンタープライズエキスパートと知識発見」第8回国際ヒューマンコンピュータインタラクション会議 (HCI International 99) 議事録、ドイツ、ミュンヘン。
  8. Tang, J.、Zhang J.、Yao L.、Li J.、Zhang L.、Su Z.(2008)「ArnetMiner: 学術ソーシャル ネットワークの抽出とマイニング」知識発見およびデータ マイニングに関する第 14 回 ACM SIGKDD 国際会議の議事録。
  9. Viavacqua, A. (1999). 「専門知識の所在を測るエージェント」1999年AAAI春季サイバースペース知的エージェントシンポジウム議事録、カリフォルニア州スタンフォード。
「 https://en.wikipedia.org/w/index.php?title=Expertise_finding&oldid=1308273214」より取得