《Macromolecular Symposia》：Application in Research Projects on the Innovation Found in the Field of Engineering of Polymer and Composites Products
编辑推荐：
良好规划人力资源对于研发（R&D）项目的成功至关重要，特别是在聚合物和复合材料产品工程项目中，需仔细协调多学科专业知识和实验室限制。本论文提出一个采用机器学习（ML）的原型系统，以帮助研究人员决定谁应参与项目。研究人员设计了一个合成数据集来模拟真实的人力资源数
良好规划人力资源对于研发（R&D）项目的成功至关重要，特别是在聚合物和复合材料产品工程项目中，需仔细协调多学科专业知识和实验室限制。本论文提出一个采用机器学习（ML）的原型系统，以帮助研究人员决定谁应参与项目。研究人员设计了一个合成数据集来模拟真实的人力资源数据，例如与聚合物加工、复合材料制造和材料表征相关的领域特定专家技能、可用性、过往绩效、成本和个人偏好。该算法通过优化多个参数（如技能匹配、工作量平衡、预算控制和既往绩效）来推荐最佳团队成员。该系统通过一个易于使用的图形界面建立。项目经理可用它创建聚合物和复合材料研发活动中典型的新任务，例如热表征、工艺验证或材料数据分析，并接收排序后的推荐人选。额外功能包括筛选选项、团队模拟工具以及针对人员不足或过剩的基本风险评估。所提出的解决方案旨在使聚合物和复合材料产品工程领域的学术、工业和以材料为重点的研究机构中的人力资源分配更加开放和高效。它还将通过自动化创新导向材料研究项目中的数据驱动决策来帮助运营管理（Operations Management）领域。
在聚合物与复合材料产品工程研发项目中，人力资源（HR）分配面临多学科专业性、实验室资源受限及多项目并行等挑战，传统手动分配难以平衡技能、可用性、成本和偏好等多重目标。已有研究采用DEMATEL多准则决策、专家系统及基于规则或学习驱动的技术来优化人员配置，但仍缺乏面向材料研究领域的轻量级决策支持工具。为此，研究人员提出并实现了一个基于机器学习（ML）的轻量级原型系统，旨在通过数据驱动方式提高人力资源分配的透明度和效率。该论文发表在《Macromolecular Symposia》。
研究人员开展了以下工作：生成一个包含1000条员工记录的合成数据集，每条记录包括技术能力、软技能、可用性分数、当前工作量、过往绩效评分、成本水平及工作偏好等属性；任务记录则定义所需技能、预计时长和预算约束。利用该数据集训练一个逻辑回归（Logistic Regression）分类模型，用于预测人员与任务的匹配度，并集成在基于PySimpleGUI开发的桌面图形界面（GUI）中。系统根据技能匹配、可用性、成本和绩效计算推荐分数，并提供筛选、团队模拟及过度/不足人员等风险评估功能。在合成数据测试中，模型达到87.4%的准确率、84.1%的精确率、79.6%的召回率和81.8%的F1分数，表明其能在受控条件下有效识别合适候选人。尽管结果需通过真实组织数据验证，但原型证明了在材料研发环境中支持透明化人员分配决策的可行性。
**主要关键技术方法**：研究人员采用合成数据集生成方法，通过Python对每个属性从预定义值集和合理数值范围采样，构建了1000条员工档案（n=1000）。决策支持模型基于逻辑回归（Logistic Regression）算法，利用scikit-learn库进行训练，将人员与任务特征编码后计算推荐分数。系统实现使用PySimpleGUI构建桌面GUI，整合CSV数据读写、分类编码与数值缩放预处理流程，生成二分类目标（根据最低绩效和可用性阈值启发式标记合适人员），并允许用户定义任务约束、查看排序候选人、应用过滤及模拟团队配置。
**1 引言**
通过文献综述，研究人员指出在聚合物与复合材料工程研究中，人员配置决策对材料配方、复合加工路线选择、实验室规模制造试验及热-力学表征等活动的效率至关重要。手动分配易导致实验室瓶颈、验证周期延迟及开发成本增加。已有方法如基于DEMATEL的多准则决策、专家系统能力模型及算法调度技术已被证明有效，但缺乏针对材料研发的轻量级交互工具。基于此，研究人员提出结合合成数据集、推荐模型和交互式GUI的ML原型系统。
**2 方法论**
通过生成合成数据集（n=1000）并训练逻辑回归模型，研究人员实现了任务与人员的匹配。数据集包含技术能力、软技能、可用性（40%–100%）、工作量（0%–60%）、绩效评分（中心≈4.0）及成本（100–400 RON/天）等属性。模型选取逻辑回归与随机森林等算法进行比较，最终以逻辑回归获得可解释性与平衡性能。模型采用scikit-learn库实现，通过分类编码和数值缩放预处理特征，并基于启发式阈值生成二分类目标（合适/不合适），用于监督学习。
**3 系统实现**
通过集成CSV数据处理、逻辑回归推荐引擎和PySimpleGUI界面，研究人员构建了桌面应用原型。系统允许项目经理定义任务约束（如所需技能、最大成本、最低可用性），显示排序后的候选人及其推荐分数，并支持工资上限、可用性阈值等过滤，以及模拟团队配置和人员过剩/不足标记。应用可在标准Windows/Linux工作站本地运行。
**4 结果与讨论**
通过设置一个示例任务（要求Python和团队合作，最低可用性80%，最大成本300 RON/天），系统返回了10名候选人及其分数（范围0.97–0.26）。模型在测试集上取得了87.4%的准确率、84.1%的精确率、79.6%的召回率和81.8%的F1分数，表明在受控条件下能可靠识别合适候选者，并在假阳性与假阴性之间保持平衡。推荐系统优先考虑技能匹配度高、可用性高、成本可接受且绩效良好的个人，证明模型能结合异质属性生成单一排序分数。研究人员指出，因评估基于合成数据，结果应视为概念验证而非结论性证据。此外，界面在现实约束下提供了透明且可调整的人员配置方案。未来工作将使用真实HR数据集进行验证。
**5 结论**
本论文提出了一种用于聚合物和复合材料工程研发项目人力资源分配的轻量级ML决策支持原型。研究人员结合合成人员数据、逻辑回归模型和交互式GUI，在技能匹配、可用性、绩效和成本约束下生成排序后的人员分配建议。概念验证结果表明，此类工具能够在拥有专业知识和实验室瓶颈的材料研发环境中支持透明高效的人员配置决策。未来工作将集中于使用真实组织数据进行验证、整合实验室调度信息以及开发更先进的多项目优化策略。
**讨论总结**：讨论部分指出，推荐系统能有效结合异构属性并平衡多目标，但当前结果局限于合成数据，模型性能需通过真实数据集进一步确认；界面设计提供了实用性和可调整性，但尚需集成实验室日程等实际约束；未来方向包括多项目优化策略和真实HR数据验证。研究结论如上所述，强调原型在推动数据驱动决策方面的潜力。
