服务业绩在中国科技专员体系中的影响:利用社交网络分析和可解释机器学习

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 社会学 社会学 社会学

背景情况:

• 中国政府利用科学技术专员制度 (SCS) 通过科学技术加强农业发展.
• 评估SCS的绩效对于优化农业支持和创新至关重要.

研究的目的:

• 通过使用社交网络分析 (SNA) 和机器学习 (ML) 来对中国SCS中的服务组类型进行分类.
• 确定影响科技专员服务绩效的关键因素.
• 开发一个可解释的ML模型来理解SCS动态.

主要方法:

• 采用社交网络分析 (SNA) 和聚类算法来分类科技专员团体.
• 利用并比较各种分类算法,选择LightGBM因为它的准确性.
• 应用SHAP (夏普利增量扩展) 来分析影响服务绩效的因素.

主要成果:

• 确定了不同的群体类型:小型的,合作的年轻群体;大型的,混合年龄群体;合作的中年/老年群体;和孤立的,有影响力的个人.
• 发现小组结构和协调能力比小组规模更为关键.
• 强调了良好的团队结构和广泛的社交网络对于高服务性能的重要性.

结论:

• 科学技术专员服务提供主要以团体为导向.
• 优化小组动态,结构和委员间合作对于改善农业科学和技术推广至关重要.
• 机器学习模型,特别是LightGBM与SHAP分析,为复杂的服务交付系统提供了宝贵的见解.