Arti cial intelligence methods to support people management in organisations

Abstract

Las organizaciones han pasado del trabajo focalizado en individuos a estructuras de trabajo basadas en equipos. Una nueva generación de soluciones para las organizaciones debe proporcionar la gestión de equipos, fomentando la eficacia del equipo mediante la automatización. En esta tesis abordamos varios problemas centrales para la gestión de equipos en organizaciones. En particular, proponemos una solución que aborda los problemas relacionados con la composición del equipo, así como los problemas de evaluación de los empleados y la evaluación del rendimiento de las tareas.

En primer lugar, revisamos la literatura sobre la composición y formación de equipos, tanto desde la perspectiva de la psicología organizacional como de las ciencias de la computación. Exploramos la conexión entre los atributos de los individuos y el rendimiento del equipo, así como las oportunidades de intercambio de ideas entre estos dos campos.

En segundo lugar, revisamos las herramientas más destacadas para medir los atributos de los individuos, ya que estas medidas son necesarias para los procesos de composición de equipos. En particular, describimos los enfoques dominantes en Psicología Organizacional, Psicología Industrial y Recursos Humanos, resumiendo los principales hallazgos para medir la personalidad y las competencias de los individuos.

En tercer lugar, utilizamos nuestros observaciones para proponer un modelo que predice el rendimiento de un equipo dada una tarea y en función de los atributos de los individuos (competencias, personalidad y género). Definimos el Synergistic Team Composition Problem (STCP) como el problema de encontrar una partición de equipos restringida por tamaño para que cada equipo, y toda la partición de empleados en equipos, sea equilibrada en términos de competencias individuales, personalidad y género. Proponemos dos algoritmos diferentes para resolver este problema: un algoritmo óptimo llamado STCPSolver que es efectivo para pequeñas instancias del problema, y ​​un algoritmo aproximado llamado SynTeam, que proporciona soluciones de alta calidad, pero no necesariamente óptimas. A continuación, presentamos los resultados empíricos que obtuvimos al analizar el rendimiento de nuestros algoritmos en un ámbito educativo. Nuestros resultados muestran los beneficios de una composición de equipos más informada utilizando las competencias, las personalidades y el género de las personas.

En cuarto lugar, diseñamos un algoritmo llamado Collaborative Judgment (CJ) para evaluar de un modo justo los resultados de los individuos y el rendimiento de los equipos que han realizado las tareas. En particular, el objetivo del algoritmo es disminuir la importancia de los sesgos en el proceso de evaluación a través de la evaluación entre los propios evaluadores. Nuestros resultados empíricos muestran los beneficios de un método de agregación de evaluaciones más informado.

Organisations have shifted from work arranged around individual jobs to team-based work structures. A new generation of solutions for organisations must give support to team management by encouraging team effectiveness and introducing automation. In this dissertation, we tackle several different problems that are connected to team management in organisations. In particular, we contribute by proposing a people management workflow that addresses the problems connected to team composition as well as problems of accurate employee evaluation and task performance evaluation.

First, we review the literature on team composition and formation from both the organisational psychology and computer science perspectives and we explore the connection between individuals’ attributes and team performance as well as the cross fertilization opportunities between those fields.

Second, we review the most prominent tools to measure individuals' attributes, as these measures are necessary inputs for team composition processes. In particular, we describe the dominant approaches in Organisational Psychology, Industrial Psychology and Human Resources and summarise they main findings to measure individual personality and competences.

Third, we use our findings to propose a model to predict team performance given a task and based on individuals' attributes (i.e. competences, personality and gender). We define the Synergistic Team Composition Problem (STCP) as the problem of finding a team partition constrained by size so that each team, and the whole partition of employees into teams, is balanced in terms of individuals' competences, personality and gender. We propose two different algorithms to solve this problem: an optimal algorithm called STCPSolver that is effective for small instances of the problem, and an approximate algorithm called SynTeam that provides high-quality, but not necessarily optimal solutions. We present empirical results that we obtained when analysing student performance. Our results show the benefits of a more informed team composition that exploits individuals' competences, personalities and gender.

Fourth, we devise an algorithm called Collaborative Judgment (CJ) to fairly evaluate individuals' and teams' outcomes once tasks are performed. In particular, we want to diminish the importance of biases in the evaluation process by allowing evaluators to assess their peers, namely other evalutors. Our empirical results show the benefits of more informed assessment aggregation method.