論文の概要: Teaming in the AI Era: AI-Augmented Frameworks for Forming, Simulating, and Optimizing Human Teams

• arxiv url: http://arxiv.org/abs/2506.05265v2
• Date: Fri, 06 Jun 2025 16:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.093244
• Title: Teaming in the AI Era: AI-Augmented Frameworks for Forming, Simulating, and Optimizing Human Teams
• Title（参考訳）: AI時代のチーム: チームの形成、シミュレーション、最適化のためのAI拡張フレームワーク
• Authors: Mohammed Almutairi,
• Abstract要約: 論文は、チームの満足度、エンゲージメント、パフォーマンスを高めるAI強化されたチーム最適化フレームワークと実用的なシステムを開発することを目的としている。 まず,多腕バンディットアルゴリズムを利用して,ユーザの好みに基づいてチーム構成を反復的に洗練するチーム形成フレームワークを提案する。 第2に、大きな言語モデル(LLM)を使用して、チームと個々のメンバの両方に即時かつパーソナライズされたフィードバックを提供するAI駆動システムであるtAIfaを紹介します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective teamwork is essential across diverse domains. During the team formation stage, a key challenge is forming teams that effectively balance user preferences with task objectives to enhance overall team satisfaction. In the team performing stage, maintaining cohesion and engagement is critical for sustaining high team performance. However, existing computational tools and algorithms for team optimization often rely on static data inputs, narrow algorithmic objectives, or solutions tailored for specific contexts, failing to account for the dynamic interplay of team members personalities, evolving goals, and changing individual preferences. Therefore, teams may encounter member dissatisfaction, as purely algorithmic assignments can reduce members commitment to team goals or experience suboptimal engagement due to the absence of timely, personalized guidance to help members adjust their behaviors and interactions as team dynamics evolve. Ultimately, these challenges can lead to reduced overall team performance. My Ph.D. dissertation aims to develop AI-augmented team optimization frameworks and practical systems that enhance team satisfaction, engagement, and performance. First, I propose a team formation framework that leverages a multi-armed bandit algorithm to iteratively refine team composition based on user preferences, ensuring alignment between individual needs and collective team goals to enhance team satisfaction. Second, I introduce tAIfa (Team AI Feedback Assistant), an AI-powered system that utilizes large language models (LLMs) to deliver immediate, personalized feedback to both teams and individual members, enhancing cohesion and engagement. Finally, I present PuppeteerLLM, an LLM-based simulation framework that simulates multi-agent teams to model complex team dynamics within realistic environments, incorporating task-driven collaboration and long-term coordination.
• Abstract（参考訳）: 効果的なチームワークは、さまざまな領域で不可欠です。 チーム形成の段階では、チーム全体の満足度を高めるために、ユーザの好みとタスク目標を効果的にバランスさせるチームを作ることが大きな課題です。 チームのパフォーマンスを維持するためには,結束とエンゲージメントの維持が重要です。 しかし、チーム最適化のための既存の計算ツールとアルゴリズムは、しばしば静的なデータ入力、狭いアルゴリズムの目的、あるいは特定のコンテキストに適したソリューションに依存しており、チームメンバーの個人性の動的な相互作用、目標の進化、個人の好みの変化を考慮に入れていない。 したがって、純粋にアルゴリズム的な割り当ては、チームのゴールへのコミットメントを減らしたり、チームのダイナミクスが進化するにつれて、メンバの振る舞いやインタラクションを調整するための、タイムリーでパーソナライズされたガイダンスが存在しないため、メンバの不満に直面する可能性がある。 最終的に、これらの課題はチーム全体のパフォーマンスを低下させる可能性がある。 私の博士論文は、チームの満足度、エンゲージメント、パフォーマンスを高めるAI強化されたチーム最適化フレームワークと実用的なシステムを開発することを目的としています。 まず、マルチアームのバンディットアルゴリズムを利用して、ユーザの好みに基づいてチーム構成を反復的に洗練し、チーム満足度を高めるために、個人のニーズとチーム目標との整合性を確保するチーム形成フレームワークを提案する。 第2に、大規模な言語モデル(LLM)を活用して、チームと個々のメンバの両方に即時かつパーソナライズされたフィードバックを提供し、凝集とエンゲージメントを向上させるAIシステムであるtAIfa(Team AI Feedback Assistant)を紹介します。 最後に、LLMベースのシミュレーションフレームワークであるPuppeteerLLMを紹介します。これは、マルチエージェントチームが現実的な環境で複雑なチームのダイナミクスをモデル化し、タスク駆動のコラボレーションと長期的な調整を取り入れます。

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)
• An Integrated Framework for Team Formation and Winner Prediction in the FIRST Robotics Competition: Model, Algorithm, and Analysis [0.0]
  本手法をFIRSTロボティクスコンペティションの起草プロセスに適用する。 まず,チーム全体のパフォーマンスに基づいて,個々のメンバのパフォーマンスを推定する手法を開発した。 チーム形成を最適化するためにアライアンス最適化アルゴリズムを開発し、優勝チームを予測するためにディープニューラルネットワークモデルを訓練する。
  論文  参考訳（メタデータ） (2024-01-06T23:11:50Z)
• MindAgent: Emergent Gaming Interaction [103.73707345211892]
  大規模言語モデル(LLM)は、マルチエージェントシステムで複雑なスケジューリングを行う能力を持つ。 我々はMindAgentを提案し,ゲームインタラクションにおける創発的能力の評価・調整を行う。
  論文  参考訳（メタデータ） (2023-09-18T17:52:22Z)
• 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)
• A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
  解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。 効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
  論文  参考訳（メタデータ） (2023-04-08T14:32:12Z)
• Automated Task-Time Interventions to Improve Teamwork using Imitation Learning [5.423490734916741]
  私たちは、チームメンバー間の調整を改善するための自動化された介入アプローチTICを提示します。 我々はまず、過去のタスク実行データからチームの振る舞いの生成モデルを学ぶ。 次に、学習した生成モデルとチームのタスク目標(共有報酬)を使用して、実行時の介入をアルゴリズム的に生成する。
  論文  参考訳（メタデータ） (2023-03-01T11:09:06Z)
• Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
  本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。 このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。 我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2023-02-28T14:53:29Z)
• 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)
• TAIP: an anytime algorithm for allocating student teams to internship programs [0.0]
  我々は、教育の文脈において、チームとタスクをマッチングする問題、特に学生のチームを編成し、インターンシッププログラムに割り当てるコンテキストに焦点をあてる。 まず、インターンシッププログラム問題のためのチーム割当の形式化を行い、それを最適に解くことの計算困難さを示す。 我々は、後に反復的なプロセスの改善を試みる初期チームのアロケーションを生成するアルゴリズムであるTAIPを提案する。
  論文  参考訳（メタデータ） (2020-05-19T09:50:38Z)
• 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。