論文の概要: TRIBE: Predicting Team Performance via Communication Behavior Ensembles

• arxiv url: http://arxiv.org/abs/2608.06926v1
• Date: Fri, 07 Aug 2026 08:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.406034
• Title: TRIBE: Predicting Team Performance via Communication Behavior Ensembles
• Title（参考訳）: TRIBE: コミュニケーション行動のアンサンブルによるチームのパフォーマンス予測
• Abstract要約: 従来のパフォーマンス指標には見えない、チームの振る舞いのダイナミクスを明らかにする、ドメインに依存しないアプローチであるTRIBEを紹介します。 コミュニケーションパターンは、チームをパフォーマンス予測行動部族に分類し、早い段階で10%のタスクに分類できることを示す。 我々の時間的分析は、AIエージェントがチームの行動軌跡を著しく変える一方で、人間のアドバイザーは自然なダイナミクスと整合していることを示している。
• 参考スコア（独自算出の注目度）: 10.788813471093604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing autonomous agents that effectively assist human teams hinges on understanding team dynamics, often without task specific knowledge. We present TRIBE, a domain independent approach that reveals team behavioral dynamics invisible to traditional performance metrics. We show that communication patterns can categorize teams into performance predictive behavioral tribes, as early as 10% into the task, enabling timely interventions. We test TRIBE on four diverse datasets and demonstrate that communication patterns predict team performance while the prediction strength varies by the degree a task structure allows for behavioral freedom. Our temporal analysis reveals that AI agents significantly alter team behavioral trajectories while human advisors align with natural dynamics, and that teams maintain behavioral flexibility throughout collaboration. Further, we compare TRIBE to Llama and optimize the pipeline, achieving significant speedup with performance improvement.
• Abstract（参考訳）: ヒューマンチームの効果的な支援を行う自律エージェントの設計は、しばしばタスク固有の知識なしで、チームのダイナミクスを理解することに集中します。 従来のパフォーマンス指標には見えない、チームの振る舞いのダイナミクスを明らかにする、ドメインに依存しないアプローチであるTRIBEを紹介します。 コミュニケーションパターンは、チームをパフォーマンス予測行動部族に分類し、タスクの10%をタスクに分類し、タイムリーな介入を可能にする。 TRIBEを4つの多様なデータセットでテストし、コミュニケーションパターンがチームのパフォーマンスを予測する一方で、タスク構造が行動の自由を許容する程度によって予測強度が変化することを示した。 我々の時間的分析によると、AIエージェントはチームの行動軌跡を著しく変更し、人間のアドバイザーは自然なダイナミクスと整合し、チームはコラボレーションを通して行動の柔軟性を維持します。 さらに、TRIBEとLlamaを比較し、パイプラインを最適化し、性能改善とともに大幅な高速化を実現した。

関連論文リスト

• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• PERSONA: Dynamic and Compositional Inference-Time Personality Control via Activation Vector Algebra [84.59328460968872]
  大規模言語モデルにおけるパーソナリティ制御の現在の手法は、静的なプロンプトや高価な微調整に依存している。 ペルソナ(PERSONA)は、人格ベクトルを直接操作することで、微調整レベルのパフォーマンスを実現する訓練不要のフレームワークである。 PersonalityBenchでは、この手法は平均スコア9.60を達成し、教師付き微調整上界9.61とほぼ一致している。
  論文  参考訳（メタデータ） (2026-02-17T15:47:58Z)
• CATArena: Evaluation of LLM Agents through Iterative Tournament Competitions [49.02422075498554]
  大言語モデル(LLM)エージェントは、基本的なテキスト生成から、外部ツールとのインタラクションを通じて、複雑なタスクを自律的に完了するまで進化してきた。 本研究では,人間レベルインテリジェンスに向けたエージェント進化のコアドライバとして,自己改善とピアラーニングの両方を含む学習能力の重要性を強調した。 本稿では,反復的かつ競合的なピアラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-30T15:22:53Z)
• Predicting Team Performance from Communications in Simulated Search-and-Rescue [1.2289361708127877]
  会話データを分析して、チームの特性とチームの成果との相関を識別する。 本研究は,これらの推論により,チームリング結果の変動を説明できることを示した。
  論文  参考訳（メタデータ） (2025-03-05T07:20:27Z)
• Physiologically-Informed Predictability of a Teammate's Future Actions Forecasts Team Performance [7.591509098751302]
  個人の行動と生理的指標の関係と、チーム全体のパフォーマンスに対するそれらの複合的な影響は、いまだに理解されていない。 この結果から,チームパフォーマンスとチームメンバーの今後の行動の予測可能性との間には,強い関連性があることが判明した。 ハイパフォーマンスなチームが高度に同期されているという従来の認識とは対照的に、我々の結果は、チームメンバー間の生理的および行動的同期が、チームのパフォーマンスと限られた相関関係にあることを示唆している。
  論文  参考訳（メタデータ） (2025-01-25T21:37:17Z)
• 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)
• 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)
• 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)
• 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)
• Kill Chaos with Kindness: Agreeableness Improves Team Performance Under Uncertainty [0.0]
  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。
  論文  参考訳（メタデータ） (2022-08-09T16:04:32Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。