Experion - a framework for expertise retrieval: fact-based context injection in expert finding systems for multiple contextualized result interpretations

Abstract

A recuperação de expertise identifica e descreve automaticamente a expertise associada a uma pessoa. A expertise é gerada com base nas evidências (publicações e atividades, por exemplo) associadas à pessoa. Após uma longa revisão de trabalhos existentes, que produziu uma taxonomia facetada e identificou várias questões em aberto, focou-se neste trabalho em melhorar a compreensão do usuário sobre os resultados produzidos pelos sistemas de descoberta de especialistas. A descoberta de especialistas lida com, dada uma expertise de interesse, localizar possíveis especialistas na mesma. A hipótese de pesquisa é de que, ao incluir informações contextuais nos resultados destes sistemas, os usuários entenderão melhor os mesmos. Os trabalhos atuais produzem apenas uma lista de possíveis especialistas. A lista não contém contexto ou, no máximo, contém uma contextualização limitada, focada apenas na especialidade em si. Ao buscar um especialista, outros contextos podem desempenhar um papel essencial na escolha da pessoa certa - para uma posição de lecionar uma disciplina universitária, alguém com experiência anterior em ensino é mais desejável do que alguém sem experiência em ensino. Este trabalho apresenta o Experion, um framework que padroniza e permite a contextualização de evidências de expertise. Ele identifica, coleta e analisa dados contextuais associados às evidências, como onde, quando e com quem determinada evidência de expertise ocorreu ou foi produzida. Essa análise gera um conjunto padronizado de dados contextuais. O Experion, usando tais dados, descreve automaticamente o contexto para a evidência de expertise. Aplicou-se o Experion aos dados da plataforma Lattes e desenvolveu-se um sistema de busca de especialistas que contextualiza seus resultados usando o framework. Com esse sistema, foram promovidos experimentos qualitativos com usuários e coletados seus feedbacks, que confirmaram a hipótese de que a contextualização melhora a compreensão dos resultados.

Abstract: Expertise retrieval automatically identifies and describes the expertise associated with a person. The expertise is generated based on the evidence (publications and activities, for example) associated with the person. After a lengthy review of existing work, which produced a faceted taxonomy for such work and identified several open issues, we focus on improving the user understanding of the results produced by expert finding systems. Expert finding deals with, given an expertise of interest, locating candidate experts. Our research hypothesis is that, by including contextual information in the results, the users will better understand them. Current works produce a ranked list of candidate experts. The list contains none or, at most, limited contextualization, focused only on the expertise itself. When finding an expert, other contexts can play an essential role in choosing the right person - for a college discipline position, someone with previous teaching experience is more desirable than someone with no teaching experience. This work introduces Experion, a framework that standardizes and allows the contextualization of expertise evidence. It identifies, collects, and analyzes contextual data associated with the evidence, such as where, when, and with whom given expertise evidence has occurred or has been produced. This analysis generates a standardized set of contextual data. Experion, using such data, automatically describes the context for the expertise evidence. We applied Experion to the data from the Lattes platform and developed an expert finding system that contextualizes its results using the framework. Using this system, we promoted qualitative experiments with the users and collected their feedback, which confirmed our hypothesis that contextualization improves the understanding of the results.