团队成长动态中的信息多样性与亲和力偏见
本文研究了社交网络理论中的三个主题:网络的中心/边缘划分、网络动力学和新成员的社会融入,并通过建立关系的过程捕捉信息中介,提出了三种策略来帮助新成员通过信息中介与动态网络互动,以达到从边缘到中心的整合。通过在四个真实世界数据集和四个网络模型上的测试,证明了我们的策略具有优异的性能,能够实现在大约14000个节点的动态网络上只添加极少数量的新边就能将新成员放置到中心的目的。
May, 2018
研究发现在科学界中,虽然少数群体具有更高的科学创新率,但是他们却面临晋升困难的局面,导致在学术界中的代表性不足。这一现象被称为多样性悖论,它折射了在科研领域的社会结构中存在的不公平。
Sep, 2019
研究决策规则中的非透明度对个体战略学习能力的影响,通过推理学习规则(如申请贷款的朋友和熟人等)来实现对规则的了解,并证明了在许多自然情况下可以同时保证各个子群体的最优改进。
Mar, 2021
探讨了使用AI辅助决策时,人工智能的预测性能与偏差如何对人类决策产生影响的复杂动态,并通过大规模用户研究发现,高性能的模型显著提高了人类在混合环境中的表现,但有些模型削弱了混合偏见,有些则加重了混合偏见。这些研究结果表明,预先评估这些复杂动态对于部署人工智能具有明确的必要性。
Feb, 2022
提出了一种基于图神经网络的模型,通过采用三种不同的网络结构:拓扑学、中心性和语境,结合两种注意机制,确定确定团队成功的关键成员,并量化三个因素对团队绩效的贡献;该模型在预测团队绩效方面表现出色,并在合成数据集上进行了验证,证明其性能优于基线模型。
Jun, 2022
通过计算建模,研究发现团队绩效与性格特征、任务不确定性息息相关,特别是开放性、尽责性、神经质对团队绩效的影响较为稳定,而亲和性因任务不确定性不同表现出高低不一的关系。
Aug, 2022
研究团队结构在群体学习中的影响,结果显示,某些团队结构帮助代理程序学习特定角色,从而获得更有利的全局结果;然而,大型团队创建的信用分配挑战降低了协调性,导致大型团队表现不如小型团队。
Jun, 2023
在评估过程中,存在与个体的社会显著属性相关的偏见,我们将评估过程视为将个体对任务的真实效用分布转化为观测分布的转换,并将其建模为在信息约束下的损失最小化问题的解决方案。我们的模型有两个参数,被确定为导致偏见的因素:信息约束中的资源-信息权衡参数和损失函数中的风险规避参数。我们表征了从我们的模型中出现的分布,并研究了参数对观测分布的影响。我们通过拟合真实世界数据集来验证我们的模型,并使用它来研究在下游选择任务中干预的效果。这些结果有助于理解评估过程中偏见的出现,并提供指导部署干预措施以减轻偏见的工具。
Oct, 2023
近期生成人工智能在协作工作流程中的应用取得了重大进展,对团队绩效的影响仍未被充分探索。本研究通过一项随机对照实验,在122支团队的435名参与者中研究了生成人工智能在增强或取代传统团队动态中的作用。研究结果表明,在各种绩效指标上,增加生成人工智能的团队显著优于仅依赖人类协作的团队。有趣的是,采用多个人工智能的团队并未表现出进一步的增益,暗示了集成人工智能的效果递减。我们的分析表明,由少数团队成员进行集中使用的人工智能比分布式参与更为有效。此外,个体-人工智能配对的表现与传统团队相当,说明在某些情境下,传统团队结构的需求减少了。然而,尽管有这种能力,个体-人工智能配对的表现仍不及人工智能辅助团队的水平。这些发现强调,生成人工智能可以取代一些传统团队功能,但更全面地将人工智能整合到团队结构中可以提供更优越的效益,提升整体效能而不仅仅依赖个人努力。
May, 2024