Оптимизация групповых исследований: как эффективно распределять участников по временным слотам

Введение в проблему организации групповых исследований

Организация individuals into groups и координация их участия часто составляет substantial component исследований в psychological, behavioral, и social sciences. Эмпирические исследования групп и команд можно найти в таких diverse областях, как behavioral game theory (теория поведенческих игр), evidence-based social policy (основанная на доказательствах социальная политика), cumulative cultural evolution (кумулятивная культурная эволюция), psychotherapy (психотерапия), education (образование), market research (исследования рынка) и organizational psychology (организационная психология). Другие longstanding paradigms, включающие clinical trials (клинические испытания), focus groups (фокус-группы) и experiments (эксперименты), регулярно требуют распределения participants into groups и scheduling of appointments.

Независимо от области исследования, scientists могут сталкиваться с difficulties в participant recruitment и обеспечении sufficient sample sizes. Обычно эти challenges возникают из-за того, что participants имеют другие обязательства, conflicting или inflexible schedules по отношению к требованиям исследования, или просто решают не посещать занятия.

Переход к онлайн-среде и его limitations

В то же время increasing volume исследований проводится в online environments. Платформы для recruitment participants, такие как Prolific, Amazon Mechanical Turk (MTurk), и UserTesting, а также различные другие social media и citizen science platforms (например, Zooniverse), сделали recruitment large samples для как online, так и offline group research более accessible. Эти платформы предлагают другие notable advantages для group researchers, но они наиболее effective для simple study designs, в которых participants immediately assigned to group для short, self-contained task.

К сожалению, эти платформы less able accommodate более complex designs, которые включают allocating individuals to groups и scheduling их участия в sessions, предполагающих interaction with others, будь то online, in person, или hybrid of the two. Платформы designed only to handle single-slot appointments или single-slot group appointments.

Ключевые challenges группового планирования

Исследователи, проводящие appointment-based group research in person или online, продолжают сталкиваться с challenges при allocating individuals to slots, которые также accommodate availability of other participants. Преобладающей проблемой становится securing enough groups для достижения desired или predetermined sample size и достижения adequate statistical power, поскольку primary unit of analysis в таких исследованиях является group, а не individual.

Хотя вопрос statistical power должен решаться в идеале через a priori design decisions, inefficient scheduling может привести к необходимости recruit more participants чем необходимо для обеспечения required number of groups. Например, необходимость recruit 500 participants вместо 300, необходимых для достижения final sample из 60 five-member groups, severely замедляет research progress и создает extra burdens на limited research resources.

Представление решения: Optimeet

В этой статье мы address эти challenges через Optimeet - web application, designed to improve appointment scheduling для group-based studies. Мы предоставляем overview функций Optimeet и validate его effectiveness через simulations и human trials. В следующем разделе мы discuss limitations существующих методов и explain, как Optimeet offers более efficient solution для group-based scheduling.

Существующие методы улучшения посещаемости

Многие researchers начинают с разработки собственных strategies для manual allocating individuals to groups, таких как request participants to arrange appointment между собой или employing spreadsheets или более task-specific commercial tools. Инструменты типа Sona Systems, Doodle, и Calendly useful для individual-based research, позволяя participants select convenient times в пределах researchers' preset parameters.

Однако эти solutions становятся inefficient в group-research contexts, потому что они требуют от participants self-select single appointments и indicate их availability across other time slots too. Эта inefficiency может быть exacerbated в group-research settings, потому что часто есть need form groups of predefined sizes и configurations.

Пример практических сложностей

Например, если researchers needed to recruit focus groups из 4-6 members each, они могли бы aim to maximize participant attendance путем minimizing number of appointments offered или, alternatively, могли бы maximize number of appointments offered в attempt быть более flexible и thereby maximize attendance. Participants могут обнаружить, что их desired sessions уже at capacity, или они могут inadvertently select appointment, который не оказывается достаточно popular чтобы быть feasible.

В terms существующих tools, Sona Systems enables participants choose из set of times provided by researcher, но не minimize или maximize number of appointments to optimize attendance, в то время как Dallow allows researchers specify attendee maximums, но lacks features set minimums или provide multiple sets of appointments. Calendly и Microsoft Teams Scheduling Assistant offer basic scheduling functions, но не support эти более advanced features.

Оптимизация групповых распределений

Allocation system, который optimizes groupings across appointments, would mitigate проблемы, описанные выше. Рассмотрим hypothetical scenario, в котором researcher needs to recruit dyads или triads, и four participants (A, B, C, D) interested в участии. Researcher provides three time slots для participants to choose from (T1, T2, T3), и choices participants следующие: A: T1, T3; B: T1, T3; C: T1, T2; D: T2.

В этом случае most popular time slot (T1) имеет three signups. Однако из-за required group sizes, choosing run T1 на этой основе предоставит researcher только one group, в то время как другие time slots будут rendered infeasible, потому что ни один не предоставит至少 двух подходящих людей.

Алгоритмическое решение

Предположим, у нас есть algorithm, который предлагает context-sensitive solution, whereby participants A и B allocated к T3, и participants C и D к T2. Этот set-based solution optimizes participant use путем allocating всех четырех в two distinct dyads. К сожалению, в larger samples combinatorial complexity растет, increasing likelihood того, что researcher сделает manual allocation, который является inefficient.

Prioritizing most popular time slots без considering rest of sample может привести к inefficient allocations, которые могут привести к underpowered group research и wasted resources.

Практическое решение для исследователей

Здесь мы present practical solution для address needs researchers при allocating individuals into groups для single appointments. Specifically, Optimeet является web application для group-based scheduling, который powered by heuristic decision rules и allows researchers specify их requirements и improve их appointment schedules.

Решение включает how-to guide и short tutorial для support researchers, а также open-source code и documentation для support transparency и reproducibility. Мы describe decision algorithms, которые underpinn Optimeet, и empirically validate solutions, которые он предлагает.

Optimeet: Веб-приложение для группового планирования

Optimeet является web-based application, который allows users specify их requirements и optimize group appointment schedules. Оно designed to help researchers allocate individuals к group appointments efficiently путем использования heuristics - decision-making shortcuts, которые производят efficient, если не necessarily optimal, solutions.

Heuristics особенно useful в scheduling problems, где identifying optimal solution часто impractical owing to complexity involved. Heuristics allow researchers generate workable solutions quickly, даже в complex или resource-constrained environments.

Ключевые особенности Optimeet

• Data input и visualization: Users могут generate sample data или upload их собственные CSV files, содержащие participant availabilities. Optimeet displays uploaded data для verification purposes.
• Algorithm application: Users могут apply two из best-performing scheduling algorithms (Minimax и Maximax) для optimize group allocations. Optimeet provides comparison результатов согласно key performance metrics.
• Customization и flexibility: Users могут specify parameters такие как number of participants, number of time slots, и minimum и maximum attendees per slot.
• Output и accessibility: Users могут download generated schedules для ongoing use. Detailed how-to guide и video tutorial также были созданы.
• Open-source code: Users могут tailor application к их собственным needs или expand its functionality freely путем modifying, extending, и distributing code, который underpins Optimeet.

Эксперимент 1: Моделирование

Мы aimed build Optimeet для allocate people к context-sensitive sets of appointments. Это raised several challenges, такие как how to describe problem, what solutions might be possible, и what methodology should be used для evaluate эти. Building feasible framework для addressing such complex challenges требует их framed в computational terms, потому что trial-and-error investigations доказали бы immensely costly.

Методология моделирования

Чтобы сделать exercise tractable, мы formalized plausible simulations человеческого поведения для generate artificial scheduling data. Мы использовали эти данные для sense-check algorithms, powering Optimeet's allocations, и thereby avoid expending research funds better spent на validating resulting outputs.

Как только эти elements исследования были established, examination и precise comparison разных algorithms мог быть performed без involvement real-life participants, conserving resources. Following simulation work, solutions, найденные наиболее effective, были subjected к separate confirmatory studies с real participants для verify adequate alignment problem formulations и solutions.

Результаты моделирования

Across algorithms, было noticeable trend для higher MiSR и MaSR scores для larger samples и smaller numbers of slots. Мы также можем наблюдать divergent trends между score types для двух distinct values of FlexibleGroups.

В случае MiSR scores, наличие range of capacity для time slots (FlexibleGroups = 1) оказывается detrimental к allocation quality, но оказывается beneficial для MaSR scores. Между тем, кажется, что presence of excess timeslot capacity (ExcessCapacity = 1) по отношению к sample size является detrimental к обоим scores.

Эксперимент 2: Реальное исследование с участием людей

Experiment 2 aimed validate empirically, whether differences, observed между heuristics in silico, также observed с human participants. Поскольку мы argue что, для purpose нашего algorithm development, наш simulation procedure является sufficient чтобы match qualitatively responses, generated humans, мы hypothesized что все effects, observed в simulation, будут replicated в human sample.

Методология реального исследования

Participants были recruited через Prolific, каждый compensated с 0.30 GBP (~0.40 USD). Единственные requirements для participation были age 18 или выше и fluency в English. Information о evaluation of an appointments system была given к participants, которые дали их informed consent prior к commencement of task.

Experiment 2 involved between-subjects design. Participants были randomly assigned к одному из двух conditions: (1) low-slots condition wherein participants indicated их availability для любого из 10 time slots, и (2) high-slots conditions в котором number of time slots offered было 40.

Обсуждение результатов исследований

Результаты Experiment 2 указывают, что наши simulations сделали reasonable assumptions о real-world participant availability selection: почти все effects, которые мы observed в simulation-based Experiment 1, были replicated. Наш exploratory analysis quantified good degree of alignment между нашими simulated и actual results и identified potential causes для remaining misalignment.

С practical standpoint, результаты confirm benefits employing Minimax algorithm, когда goal заключается в maximize rate of participation при minimize number of appointments. Использование двух experiments, мы demonstrated как computational techniques могут improve allocation of individuals into groups для group-based studies.

Ограничения и направления будущих исследований

Несмотря на improved solution к maximizing group-based attendance, который provides Optimeet, он имеет number of limitations, которые могли бы быть addressed в future research. Во-первых, underlying approach лучше всего подходит для organizing relatively simple meetings, в которых group required meet только once.

Во-вторых, как Optimeet, так и наши associated analyses focused на participant availabilities, которые являются static, interchangeable, и unchanging. Следовательно, они не account fully для certain participant behaviors, которые могли бы influence efficacy meeting schedules.

Применение за пределами психологической науки

Кроме methodological advances, алгоритмы распределения Optimeet также имеют significant implications для variety of practice areas, одним из таких является support human resource management в recruitment или assessment centers. Эти часто rely на multitude of assessments, включая group exercises, в течение дня или series of days.

Наши алгоритмы также могли бы improve attendance групповых appointments в healthcare (например, group therapy) и clinical trials, где missed и/или rescheduled appointments не только incur financial costs, но могут exacerbate health problems, особенно для vulnerable populations.

Заключение

В summary, наши findings demonstrate utility online app, который relies на simple heuristics для appointment allocation в research designs, которые reliant на group appointments. Insights, gained, вместе с resources provided, имеют wider implications для использования allocation heuristics в applied practice и предоставляют important lessons для researchers при designing group studies.

Aligning allocation strategies с research goals и ensuring что research designs maximize applicability этих strategies показывают great potential улучшить resource efficiency group-based research projects в psychological и behavioral sciences.