Kredit:CC0 Public Domain
Första svarare, katastrofhjälpspersonal, och medlemmar av militären är beroende av sina lagkamrater för att lyckas med sitt uppdrag; dock, de höga kostnaderna för datainsamling har gjort det svårt att förstå teamdynamiken. Nyligen utfört arbete av forskare vid Rensselaer Polytechnic Institute visar hur data från onlinespel kan hjälpa till att ge meningsfulla insikter.
Med hjälp av data från League of Legends, ett av världens mest populära rollspel online, forskarna har använt big data-tekniker för att utveckla modeller som avslöjar hur gruppmedlemskap, arbetshistoria, och andra faktorer påverkar prestationsresultat.
Dessa fynd, som nyligen publicerades i Proceedings of the Human Factors and Ergonomics Societys årsmöte , har breda och kritiska konsekvenser. Uppgifterna – om hundratusentals matcher spelade av cirka 100, 000 team – har gjort det möjligt för forskarna att bygga och testa avancerade statistiska modeller och utforska komplexa metodologiska utmaningar i studiet av lagarbete.
Deras forskning om League of Legends syftar till att bestämma hur man bäst mäter och övervakar individuella lagmedlemmar för att förbättra prestation och lärande över tid, särskilt när det gäller mer kritiska situationer.
"Vårt tillvägagångssätt gör det möjligt för oss att ställa frågor som är oerhört svåra att ställa i "live" miljöer som militära strider, sa David Mendonca, en docent i industri- och systemteknik vid Rensselaer som är en av de ledande utredarna i projektet. "Data om lagarbete i denna omfattning och skala är helt enkelt inte lättillgänglig."
Med League of Legends-data, noggrant sammanställd från allmänt tillgängliga källor, forskarna kunde testa sin instrumentering och utforma sina studier för att förbättra datainsamlingen i en miljö med hög insats.
Vanligtvis, Mendonca sa, det är svårt att utföra den här typen av gruppstudier eftersom det krävs ett stort antal forskningspersoner för att få tillräckligt med data. Teammedlemmar också, helst, måste ha arbetat tillsammans tidigare för att forskare ska kunna utforska deras beteende över tid. League of Legends-datauppsättningen innehåller tusentals exempel på lag vars medlemmar har spelat hundratals matcher tillsammans.
"Vi försöker förstå processer för lärande och anpassning, särskilt när team utsätts för oförutsedda eller ovanliga händelser, som förlust av teammedlemmar, sa Mendonca.
Denna senaste artikel bygger på tidigare forskning gjord av Mendonca och Wayne Gray, professor i kognitionsvetenskap vid Rensselaer, liksom Joshua Eaton, doktorand i industri- och systemteknik vid Rensselaer. De har tidigare funnit att det finns kritiska positioner inom ett team som avsevärt kan påverka en grupps mål. Till exempel, när en spelare som fyller en kritisk position är "nedåt, "Negativa händelser i spelet ökar för deras lag.
Mendonca och Eaton fann också att, om teammedlemmar är bekanta med sin position, det kan positivt påverka effektiviteten i ett team. Vad denna forskning har möjliggjort är utvecklingen av mått som gör det möjligt för Mendonca och hans team att försöka svara på en av deras körningar, och komplex, frågor:Vad är effekten av omsättning och hur kan de mäta den?
Office of Naval Research stödjer detta arbete genom ett anslag, som Gray är den primära utredaren för. Han karakteriserar den övergripande ansträngningen som att försöka hitta "jag" i "team".
"Kan vi hitta individens bidrag i ett team?" sa Gray, vars arbete med prestanda i spel för en spelare, som Tetris, har lett till banbrytande upptäckter om lärande av experter.
I sista hand, detta arbete är starkt fokuserat på att avslöja vilka mätvärden som är mest meningsfulla att mäta och hur man samlar in information som kommer att visa sig användbar i fortsatta studier. Med dessa resultat i hand, Mendonca sa, Efterföljande forskning förväntas undersöka tidpunkten för ombemanning i militära och andra organisationer för att stödja prestanda.