論文の概要: Kill Chaos with Kindness: Agreeableness Improves Team Performance Under
Uncertainty
- arxiv url: http://arxiv.org/abs/2208.04873v1
- Date: Tue, 9 Aug 2022 16:04:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:05:22.818783
- Title: Kill Chaos with Kindness: Agreeableness Improves Team Performance Under
Uncertainty
- Title（参考訳）: 親切でカオスを殺す - 不確実性の下でチームのパフォーマンスが向上する
- Authors: Soo Ling Lim, Randall S. Peterson, Peter J. Bentley, Xiaoran Hu,
JoEllyn Prouty McLaren
- Abstract要約: Agreeablenessは、チームパフォーマンスと重要でない、非常に可変的な関係を示している。
エージェントベースモデル(ABM)は、チームワークに対する性格特性の影響を予測するために使用される。
遺伝的アルゴリズムを用いてABMの限界を探索し、どの特性が最高のチームと最悪のチームと相関しているかを発見する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Teams are central to human accomplishment. Over the past half-century,
psychologists have identified the Big-Five cross-culturally valid personality
variables: Neuroticism, Extraversion, Openness, Conscientiousness, and
Agreeableness. The first four have shown consistent relationships with team
performance. Agreeableness (being harmonious, altruistic, humble, and
cooperative), however, has demonstrated a non-significant and highly variable
relationship with team performance. We resolve this inconsistency through
computational modelling. An agent-based model (ABM) is used to predict the
effects of personality traits on teamwork and a genetic algorithm is then used
to explore the limits of the ABM in order to discover which traits correlate
with best and worst performing teams for a problem with different levels of
uncertainty (noise). New dependencies revealed by the exploration are
corroborated by analyzing previously-unseen data from one the largest datasets
on team performance to date comprising 3,698 individuals in 593 teams working
on more than 5,000 group tasks with and without uncertainty, collected over a
10-year period. Our finding is that the dependency between team performance and
Agreeableness is moderated by task uncertainty. Combining evolutionary
computation with ABMs in this way provides a new methodology for the scientific
investigation of teamwork, making new predictions, and improving our
understanding of human behaviors. Our results confirm the potential usefulness
of computer modelling for developing theory, as well as shedding light on the
future of teams as work environments are becoming increasingly fluid and
uncertain.
- Abstract（参考訳）: チームは人間の達成の中心です。
過去半世紀にわたり、心理学者は神経症、外向性、開放性、良心性、同意性という5つの文化的に有効な人格変数を特定してきた。
最初の4つは、チームパフォーマンスと一貫した関係を示しています。
しかし、同調性(調和性、利他性、謙虚さ、協力性)は、チームパフォーマンスと無意味で、非常に可変的な関係を示している。
我々はこの矛盾を計算モデルによって解決する。
エージェントベースモデル(ABM)は、チームワークにおける性格特性の影響を予測するために使用され、遺伝的アルゴリズムはABMの限界を探索するために使用され、どの特性が最高のパフォーマンスチームと最も悪いパフォーマンスチームと相関しているかを見つけるために使用される。
調査によって明らかになった新たな依存関係は、これまでチームのパフォーマンスに関する最大のデータセットから、5,000以上のグループタスクと不確実性のないタスクに携わる593チームの3,698人の個人を10年以上にわたって収集したデータを分析することによって、裏付けられている。
私たちの発見では、チームのパフォーマンスとアジリティの依存関係は、タスクの不確実性によって緩和されます。
このように進化的計算とABMを組み合わせることで、チームワークの科学的調査、新しい予測、人間の行動理解の改善のための新しい方法論が提供される。
研究結果は,作業環境が流動的になり,不確実性が高まっている中で,コンピュータモデリングがチームの将来に光を当てるだけでなく,理論開発に有用であることを確認する。
関連論文リスト
- ML-SPEAK: A Theory-Guided Machine Learning Method for Studying and Predicting Conversational Turn-taking Patterns [25.049072387358244]
自己組織化チーム内で対話型ターンテイクの計算モデルを開発する。
個人の性格特性とチームのコミュニケーションパターンのギャップを埋めることで、私たちのモデルはチームプロセスの理論を伝えることができるのです。
論文 参考訳（メタデータ） (2024-11-23T01:27:01Z) - Confidence-weighted integration of human and machine judgments for superior decision-making [2.4217853168915475]
近年の研究では、大きな言語モデル(LLM)が特定のタスクにおいて人間を上回ることが示されている。
我々は、LLMよりも悪いパフォーマンスをしているにもかかわらず、人間はチームで価値を付加できることを示した。
人間と機械のチームは、チームメンバーの自信が十分に調整されたときに、各チームメイトを追い越すことができます。
論文 参考訳（メタデータ） (2024-08-15T11:16:21Z) - Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。
ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。
そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
論文 参考訳（メタデータ） (2024-06-26T05:30:21Z) - ProAgent: Building Proactive Cooperative Agents with Large Language
Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。
ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。
ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文 参考訳（メタデータ） (2023-08-22T10:36:56Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Informational Diversity and Affinity Bias in Team Growth Dynamics [6.729250803621849]
情報多様性の利点は親和性バイアスと緊張関係にあることを示す。
本結果は,情報多様性を促進するためのユーティリティベースのモチベーションの基本的な制限を定式化した。
論文 参考訳（メタデータ） (2023-01-28T05:02:40Z) - Who/What is My Teammate? Team Composition Considerations in Human-AI
Teaming [1.3477333339913569]
本稿では,チームパフォーマンスやチーム状況の認識,チーム認知など,人間とAIのコラボレーションに欠かせない側面について考察する。
認識されたチームの認知は、人間のみのチームで最も高く、混合構成チームは、全チームの58%以下で認識されたチームの認知を報告した。
論文 参考訳（メタデータ） (2021-05-23T19:06:18Z) - My Team Will Go On: Differentiating High and Low Viability Teams through
Team Interaction [17.729317295204368]
オンラインチームの669の10分間のテキスト会話のデータセット上で、生存可能性分類モデルをトレーニングする。
その結果,ラッソ回帰モデルにより,可視性スコアの分類のしきい値が異なる.74--.92 AUC ROCの精度が得られることがわかった。
論文 参考訳（メタデータ） (2020-10-14T21:33:36Z) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳（メタデータ） (2020-07-13T20:05:19Z) - Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。
データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。
CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
論文 参考訳（メタデータ） (2020-06-16T22:03:36Z) - Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。
我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。
実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文 参考訳（メタデータ） (2020-04-27T19:06:28Z)
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。