論文の概要: The Agile Coach Role: Coaching for Agile Performance Impact
- arxiv url: http://arxiv.org/abs/2010.15738v3
- Date: Fri, 1 Mar 2024 07:27:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-04 14:47:21.622660
- Title: The Agile Coach Role: Coaching for Agile Performance Impact
- Title（参考訳）: アジャイルコーチの役割: アジャイルのパフォーマンスへの影響に対するコーチング
- Authors: Viktoria Stray, Anastasiia Tkalich, Nils Brede Moe
- Abstract要約: 本稿では,10社のアジャイルコーチに対する19の半構造化インタビューを通じて,アジャイルコーチの役割について検討する。
私たちの調査結果は、アジャイルコーチがチームや組織レベルで機能していることを示しています。
アジャイルコーチの最も重要な特徴は、強調され、人々指向で、耳を傾け、外交的、永続的であることです。
- 参考スコア（独自算出の注目度）: 3.5143894612668443
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: It is increasingly common to introduce agile coaches to help gain speed and
advantage in agile companies. Following the success of Spotify, the role of the
agile coach has branched out in terms of tasks and responsibilities, but little
research has been conducted to examine how this role is practiced. This paper
examines the role of the agile coach through 19 semistructured interviews with
agile coaches from ten different companies. We describe the role in terms of
the tasks the coach has in agile projects, valuable traits, skills, tools, and
the enablers of agile coaching. Our findings indicate that agile coaches
perform at the team and organizational levels. They affect effort, strategies,
knowledge, and skills of the agile teams. The most essential traits of an agile
coach are being emphatic, people-oriented, able to listen, diplomatic, and
persistent. We suggest empirically based advice for agile coaching, for example
companies giving their agile coaches the authority to implement the required
organizational changes within and outside the teams.
- Abstract（参考訳）: アジャイル企業では、スピードとアドバンテージを得るためにアジャイルコーチを導入することがますます一般的になっています。
Spotifyの成功に続いて、アジャイルコーチの役割はタスクと責任の観点から分岐しているが、この役割がどのように実践されているかについての調査はほとんど行われていない。
本稿では,10社のアジャイルコーチに対する19の半構造化インタビューを通じて,アジャイルコーチの役割について検討する。
私たちは、アジャイルプロジェクトでコーチが持つタスク、価値のある特性、スキル、ツール、そしてアジャイルコーチングの実現者としての役割を説明します。
私たちの調査結果は、アジャイルコーチがチームや組織レベルで機能していることを示しています。
アジャイルチームの努力、戦略、知識、スキルに影響を与えます。
アジャイルコーチの最も重要な特徴は、強調され、人々指向で、耳を傾け、外交的、永続的であることです。
例えば、アジャイルコーチにチーム内外の必要な組織的変化を実装する権限を与えるような企業です。
関連論文リスト
- Prototypical Leadership in Agile Software Development [3.7215696260140154]
リーダシップの有効性は、チーム内から現れる場合や、リーダがグループに同調する場合に高く評価された。
チームの共有価値や特性と一致するマネージャの役割のリーダーは、より効果的だと見なされた。
論文 参考訳（メタデータ） (2024-09-18T03:55:58Z) - Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。
提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文 参考訳（メタデータ） (2023-04-19T17:37:54Z) - Understanding why shooters shoot -- An AI-powered engine for basketball
performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。
パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。
プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文 参考訳（メタデータ） (2023-03-17T01:13:18Z) - Learning to Transfer Role Assignment Across Team Sizes [48.43860606706273]
チーム規模で役割の割り当てと移譲を学ぶためのフレームワークを提案する。
ロールベースの信用割当構造を再利用することで、より大きな強化学習チームの学習プロセスが促進されることを示す。
論文 参考訳（メタデータ） (2022-04-17T11:22:01Z) - Coach-Player Multi-Agent Reinforcement Learning for Dynamic Team
Composition [88.26752130107259]
現実世界のマルチエージェントシステムでは、異なる能力を持つエージェントがチーム全体の目標を変更することなく参加または離脱する可能性がある。
この問題に取り組むコーチ・プレイヤー・フレームワーク「COPA」を提案します。
1)コーチと選手の両方の注意メカニズムを採用し、2)学習を正規化するための変動目標を提案し、3)コーチが選手とのコミュニケーションのタイミングを決定するための適応的なコミュニケーション方法を設計する。
論文 参考訳（メタデータ） (2021-05-18T17:27:37Z) - Learning Agile Locomotion via Adversarial Training [59.03007947334165]
本稿では,四足歩行ロボット(主人公)が他のロボット(敵)を追いかけるのを学習し,後者が逃げることを学習するマルチエージェント学習システムを提案する。
この敵対的なトレーニングプロセスは、アジャイルの振る舞いを促進するだけでなく、退屈な環境設計の努力を効果的に軽減します。
1つの敵のみを使用した以前の作品とは対照的に、異なる逃走戦略を専門とする敵のアンサンブルを訓練することは、主人公がアジリティを習得するために不可欠である。
論文 参考訳（メタデータ） (2020-08-03T01:20:37Z) - Design of Transformation Initiatives Implementing Organisational Agility
-- An Empirical Study [0.25782420501870296]
本研究は、ドイツ、スイス、フランス、イギリスに本社を置くあらゆる規模の企業からの125の回答を用いている。
組織のアジリティを高めるために、複数の組織次元の原則管理に関する現在の理解を調査します。
論文 参考訳（メタデータ） (2020-05-29T19:30:55Z) - Learning from Learners: Adapting Reinforcement Learning Agents to be
Competitive in a Card Game [71.24825724518847]
本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。
本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
論文 参考訳（メタデータ） (2020-04-08T14:11:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。