探索未来的工作指标和机器学习开云体育网上投注

以人为中心的工作场所设计的优势改变了我们如何评估工作的成功。在以前的博客在工作场所设计,我们概述了如何变化,小说的来源数据,预测分析的在工作场所的研究将改变我们如何使用数据。我们建议设计成功的指标应该包括员工和业务成果。大量的新类型的数据正在扩大机会理解工作场所之间的关系,建筑物,甚至邻里特征对这些结果。

在这个博客中,我们讨论如何新兴数据平台和数据科学工具(如机器学习),在理论的指导下,适当的研究设计,可以揭示新见解如何制定有效的工作场所。

新数据科学工具和平台可以揭示小说的见解

建立统计模型的复杂性,结合广泛多样的数据来源(等网站或在线公共数据库,建立控制系统,和传感器)仍然是一个挑战,尤其是使用传统社会科学研究方法和分析。科学的数据分析工具,如机器学习(ML),提供了一个机会来补充和扩展现有社会科学方法的能力。我们定义毫升收集的技术组件集合,过程,发现模式,或解释数据使用灵活的算法和统计技术。“深度学习”一词通常用来描述人工神经网络(ANN)模型。这些可以预测或分类模型。例如,Netflix“推荐”的工具,使用预测模型,分析你的浏览历史表明你可能喜欢看电影。大多数垃圾邮件过滤器使用分类模型来识别电子邮件“垃圾邮件”或者“垃圾邮件”。

不仅是毫升工具可以处理惊人的大量的数据,但这形式的数据之前不能使用社会科学研究人员现在可以访问。这个数据可以包括图像、声音、语音,视频,免费的文本,传感器数据,社交媒体文章、地理信息(GIS)的数据和详细的人口信息,公共卫生数据库和其他强大的来源。毫升应用程序往往需要和使用大量的潜在的不同类型的数据。这些“清洁”和转换的数据利用的深度学习模型的一个关键(更不用说耗时的)任务。它还需要一个坚实的基础数据,确保潜在分布的数据,和任何转换使用的原始数据模型是合适的。而真实的统计分析,输入数据的质量是如此不可或缺的ML的功能模型,没有他们,艾未未被描述为“数学的小说”。

一个新兴阶级的模块化数据托管平台使它可以无缝连接和分析不同的数据类型和大量数据来创建新的见解。这些平台允许访问传统社会科学统计,但也提供毫升工具。这些平台,加上毫升工具,可以从根本上改变我们了解工作场所之间的关系设计的能力,行为和社会现象,和业务成果。例如,可以轻松访问大型流空气质量、噪声水平,和照明数据,再加上空间利用率和工作场所的调查数据,对员工流动可以产生新的见解。

社会科学使用演绎的方法;数据科学往往是归纳

有一个根本区别数据科学和社会科学项目的目的。社会科学通常(但不仅限于)使用“演绎”的方法对现有的理论假说的测试通过收集和分析数据。演绎推理是由理论指导;收集数据来测试这个理论。目的是识别因素解释结果。

数据科学项目经常使用归纳方法没有指导理论或假说。观测的数据被用来建立一个理论可以解释这些模式。数据科学模型通常在业务应用程序中,模型的准确性是很重要的(例如,准确预测消费者的选择)。解释背后的因素(即选择。,测试消费者的选择行为)的理论并不是意图。

静态和适应性强的模型

社会科学研究人员建立“手工”模型,作为证明的声明一个理论。他们使用所有可用的数据来建立模型。这些模型的参数是静态的。他们是使用历史数据,使用一次,几乎从不和额外的数据重新检验它,出版。

相反,数据科学家训练、测试和验证他们的模型使用的部分数据集,和这些模型可以提高质量在任何时候通过“培训”新数据添加作为一个迭代的发现过程的一部分。毫升工具可以优化这些模型的内部参数,提高其质量。

探索的前沿工作与机器学习研究

如前所述,虽然毫升模型可以非常擅长预测正确的结果,他们是一个“黑盒”,因为他们并不是设计来确定或验证相关的潜在的因果因素的结果。因此,社会科学家已经不太可能利用这些工具。然而,有新的ML方法基于博弈理论的使用技术能告诉我们多少每个因素在导致了预测模型。这些技术可以帮助识别和可视化模型中重要的关系,解释其内部工作原理和基本原理——添加一个健壮的解释它的预测。这些技术不一样的因素和结果之间的因果关系,也没有推广到更广泛的理论,但这些工具改善这些模型的效用,尽管如此。

真正的潜力是社会科学研究者的背景数据科学应用社会科学严谨的方法访问的力量毫升工具来处理大量新数据可能导致突破我们对工作场所如何影响人们的理解。毫升,加上假说建立在行为理论,使用字段或实验研究设计和数据收集,毫无疑问会导致新见解。相比传统的机器学习任务在计算机科学和统计,机器学习应用到社会科学数据时,它可以被用来识别重要的结果变量并进行预测。毫升统计模型的强大的区别是,他们可以学习和改善随着时间的推移被训练的新数据,甚至可能改变他们预测或分类。

以前不可用数据的主要来源的时代创造了一个机会,工作人员来扩大他们的工具包。机器学习方法适合帮助研究人员使用大量的数据来最好的能力。机器学习工具只是工具,而不是一个魔杖逃脱后研究的研究员最佳实践(例如,适当的研究设计、假设和测试假设正常的,线性,与平等的方差数据)。

在社会科学中,毫升将执行时最好应用适当的研究问题。研究者需要创造性地思考统计任务,考虑如果机器学习应用程序可能是有利的。也许最重要的考虑因素是惊人的现有的数据量和相对轻松的使用使得理论分析工具,具体的模型,可能构成一个理论——进行质量研究的关键。理论和模型提供了一个重要的路线图如何设计一个研究中,制定研究假设和问题,选择正确的分析工具,以及如何解释结果的上下文Slough 2019 (Ashworth et al . 2015年,德马奇&斯图尔特2020)。

下一步我们的旅程与机器学习工具

工作场所的研究正步入一个新时代的“财富”的尴尬和机器学习工具代表一个机会从以前无法使用类型的数据中提取意义。毫升的除了工作研究是灵丹妙药;比以往任何时候都更需要我们认真正确的工具应用到特定的分析需求和开发最佳实践。当机器学习应用于工作场所研究,它可以用于发现新的概念,揭示模式和协会的数据,并作出预测。毫升将添加一个新维度的演绎,社会科学的“单点”的方法更具互动性,和迭代方法研究。最后,归纳,有时毫升的定性结果(如透露相关数据模式),可能提供有用的观点,可能有助于解释的定性性质工作场所设计和用户体验。

詹斯勒的跨职能团队领导研究所(GRI)是利用数据科学的工具和新的城市,社开云体育全站登录平台入口区,建筑,室内设计,人口统计和调查数据调查这种方法的长期潜力。其他GRI资助内部项目也使用毫升利用我们现有的数据集来显示关于用户体验的真知灼见。