Vizualizace a testování týmových profilů

Abstract

Cílem práce je představit metody vedoucí k vizualizaci a testování týmových profilů. Osobnostní profil je vektor skórů charakterizujícího člena týmu. Týmový profil je skupina osobnostních profilů. Prvním krokem pro zobrazení týmového profilu je vyjádření podobnosti mezi individuálními profily. Prezentujeme nový přístup k vyjádření podobnosti mezi osobnostními profily pomocí významnosti jejich rozdílu vyjádřenou pravděpodobností. Tuto míru použijeme pro testování profilů i pro spočítání jejich podobnostní matice. Týmový profil zobrazíme sociomapou. Abychom ji mohli sestrojit, prezentujeme vlastní algoritmus pro projekci podobnostní matice do roviny. Tento algoritmus porovnáváme se známými metodami Multidimenzionálního škálovýní a Analýzy hlavních komponent, kterými řešíme stejnou úlohu. Při porovnání MDS a PCA ze srovnávací studie plyne, že náš algoritmus se chová přesněji a srovnatelně rychle. Též prezentujeme některé známé metody počítačové grafiky, kterými docilujeme grafické 3D podoby sociomapy a ukazujeme některá nová vylepšení pro reálnější dojem při čtení sociomapy.

The aim of this thesis is to demonstrate methods for visualization and testing team profiles. An individual's profile is a vector of scores representing personality of a team member. Team profile is a collection of individual profiles. The first step for visualization of team profile is to find similarities among individual profiles. We present new approach for measuring similarity between two profiles as a significance of difference expressed by probability. We use this measure both for testing mean difference between two subgroups of profiles and also for building similarity matrix. We represent team profiles as a 3D ladscape map called Sociomap. To create a sociomap we demonstrate own algorithm for projecting similarity matrix into a 2D plane. We compare this algorithm with well known Multidimensional scaling and Principal Component Analysis methods solving the same task. Comparing with MDS and PCA, our algorithm provides more accurate result with comparable demand of time. We also employ some well known Computer Graphics methods to improve visual 3D representation of the sociomap and we also show some new improvements to render sociomap more realistic.