译者:关天海,何瑞麟,庄琰,刘欣,段承序,王玉虎,于栖洋,胡少波
摘要
对团队通信的评估可以为团队动态、凝聚力、信任和联合任务的绩效提供关键的见解。尽管许多基于通信的措施已经在人类团队中进行了测试和验证,这篇综述文章通过确定特定于人-自主系统团队的关键方法,扩展了这项研究。尽管下面的办法似乎概括和支持多规模的小组和各种军事行动,但是不可能确定适用于所有情况的所有办法。因此,本文将概述几个关键的方法来评估通信、相关的数据需求、示例应用程序、通过HAT用例验证方法,以及在适用的情况下获得的经验教训。有些方法是基于团队通信的结构;有些方法是基于人从动力系统理论中考虑不同时间尺度的视角;有些方法利用团队成员的声音或面部表情来检测情绪状态,这可以为团队的其他工作提供窗口;还有一些方法认为通信的内容可以产生见解。综合起来,这些方法组成了一个不同的工具包,用于获取关于团队交互如何影响协调、信任、凝聚力和性能结果以及如何受其影响的关键信息。未来的研究方向描述了人-自主系统团队中进一步研究通信的四个关键领域。
关键字 通信评估 指标和测量 人-自主系统团队 团队绩效 信任 凝聚力
1 简介
通信是团队交换信息、协调行动、制定战略和执行计划的主要机制(Salas et al. 2005)。然而,对于如何有效地学习和评估人-自主系统团队中的通信,我们在理解最佳实践方面存在重大差距。通信是一个关键的需求,因为无论通信的形式如何,通信都是形成有效的团队合作的基础,是理解团队成功或失败的关键因素(Mesmer-Magnus and DeChurch 2009;Salas et al. 2008)。因此,对通信的评估可以为团队凝聚力、团队信任的要素提供关键的见解,甚至可以帮助描述团队绩效背后的原因。虽然很明显,通信是人-自主系统团队成功的基础,但目前还不清楚通信分析对于理解不同场景、任务和团队配置中的团队状态和结果最有用的是什么。因此,本文的目的有三个:(1)确定人-自主系统团队的关键通信措施;(2)说明如何实施措施;(3)讨论这些措施是如何与人自治团队的凝聚力、信任、绩效或其他结果相关联的。下面的小节介绍了人-自主系统团队合作的空间,团队信任和凝聚力,以及通信研究的背景。
1.1 人-自主系统团队的定义
在探究通信评估之前,了解关于人-自主系统团队的相关术语是很重要的。在这个领域内,人-自主系统团队会涉及一个或多个人,还会有一个或多个启用了自主机制的系统或智能代理(IA),他们相互依靠、逐渐协调和工作,以实现共同的目标或完成任务(McNeese et al. 2018)。IA是一个具有感知能力、能够观察环境、对环境采取行动,并且能够智能地响应不可预知的动态事件的实体(Johnson et al. 2018; Mercado et al. 2016)。在未来的军事行动中,与多种多样的具体的IA进行交互是有可能的——从小型地面、空中、水面或水下的无人车辆或机器人,到大型武装化的无人车辆,部队或货物运输,甚至是基于计算机的协助决策、计划或通信的IA。之所以称这些是自主系统,是因为要体现多种类型的自主(例如移动性,计划,决策,武器系统和智能计算机代理),他们通常构成一种具体的IA,就像机器人或无人车辆。每种类型的自主都能拥有一定程度的自动化,这指的是在人和代理或系统之间如何分配功能(Parasuraman et al. 2000; Lewis et al. 2018)。Sheridan和Verplank在1978年的开创性工作暗示了一种自动化级别的连续性,从用户在没有代理协助的前提下完成任务,到系统或代理管理自己的行动、目标和决定的完全自动化。从某种意义上说,和传统的自动化相比,具有完全自主功能的系统会更具有适应性,能力,独立性和相互依赖性,可以说能够代表自动化形式的优化和发展(Endsley 2015;Endsley 2017;Hancock 2017)。尽管IA会继续发展并获得更多能力,使用这些系统的目标并不是为了取代人,也不是为了提供更复杂的工具供人使用,而是以有效的团队自主与人结合,这样就能实现协同作用,并且能够在复杂、动态的环境中协同工作(Phillips et al. 2011;Johnson and Vera 2019)。例如,美国军方正在研究人-自主系统团队如何在不可预测的对抗环境中保持胜算,包括智能、监视和侦察(Harris and Barber 2014;Kattoju et al. 2016),以及减少士兵的认知负重(Brewer et al. 2018;Schaefer et al. 2019a)。一个非常重要的挑战是将人和自主系统整合成一个相互依赖、异构的团队,这样的团队能够实现适当程度的团队信任和凝聚力。
1.2 团队信任和凝聚力
随着我们走向自主IA与人的团队成员协作的结合,为了接下来有效的团队合作,标定团队信任和制定一定程度的凝聚力就变得很迫切。有了团队信任,团队成员会更少的关注个人利益,将不确定性和团队脆弱性最小化(De Jong and Elfring 2010)。这使得团队成员能够承担促进合作和提高效率的风险(Colquitt et al. 2007)。相反,缺乏信任会引起目标导向的团队合作破裂,也会使成员更关注个人利益而不是团队利益(Joshi et al. 2008)。当在团队中结合自主系统时,重要的是理解人-自主系统之间的信任机制和人与人之间的信任的不同(Baker et al. 2018),但是对自主系统的信任进行良好的标定仍然与团队表现呈现正相关(McNeese et al. 2019)。要想理解并将信任和表现放置在人-自主系统团队中,那么评估团队的通信就极为关键,因为它为团队合作、信息共享、决策和更多的事情提供了一个窗口(Baker et al. 2019;Baker et al. 2020a, b;Schaefer et al. 2019a)。
团队凝聚力,虽然可以从很多不同的方式描述,但是通常由团队内部的吸引力或联系构成,这种吸引力或联系以一种团队共享经验、身份或目标的功能出现(Salas et al. 2015)。研究表明,团队成员对任务的感受会影响团队合作(Salas and Cannon-Bowers 2000),并且团队凝聚力,或者作为团队一起工作的能力,对于团队行为和表现有直接的影响(Beal et al. 2003)。在军事环境中,研究表明,凝聚力和团队表现成正相关(Ahronson and Cameron 2007;Oliver et al. 1999),这在交叉学术、组织和其他环境中也有所反映(Beal et al. 2003;Chiocchio and Essiembre 2009)。因为团队凝聚力和团队信任是与表现相关的新生事物,它一定会成为理解他们是如何出现并且在人-自主系统团队中优化的关键,特别是作为团队通信的一种机制。
更有效的人-自主系统团队的发展会要求关注团队成员之间的交互模式。为了表现最佳化,这些人-自主系统团队需要展示他们的目标、任务、意图、团队合作与环境中和任务相关部分的理解分享(Ososky et al. 2012),这可以通过各种动态的、适应性的交互,也就是人与人的团队特征进行发展(Sycara and Sukthankar 2006)。因此,分析信息是如何交流的以及交流内容,能够为需要标定信任的团队动态提供关键性的视角。例如,2003年Dzindolet et al.发现,当人们得到对自动化决策作出的错误的解释时,他们显示出一种在系统的可靠性和他们对系统的信任之间的更近的联系;相反地,当人们没有收到这样的解释时,信任标定就会降低,有时会导致对可靠援助的不信任。另外,当通知人与人的团队成员关于IA的有限可靠性时,他们能够标定信任,在适当的时间合理地使用系统(例如,自动战斗识别系统,Wang et al. 2009)。这些成果表示,对于自主系统可靠性的静态了解不能代替及时相关的通信,而这对于增强人-自主系统的信任和表现是十分重要的(Schaefer and Straub 2016)。
1.3 通信
通信涉及到团队内部和团队之间的信息传递,因此有很多因素会影响团队的通信好坏。在人-自主系统团队里面,自主系统为团队引入了独特的能力和挑战。这些挑战中很多是来自于与自主系统的交互如何影响通信模式的。人们用通信作为分享信息的方式(Mesmer- Magnus et al. 2011),设定目标(Marks et al. 2001),自我纠正(Salas et al. 2008),参与到团队工作中。然而,很多自主系统在目标指定的团队环境中还无法参与到自然通信中,尽管我们正朝着这一目的研究(Bisk et al. 2016;Marge et al. 2016;Demir et al. 2020;Thomason et al. 2020)。提高自主能力以便于更高效地和人与人的团队成员通信意图,例如设计用户显示屏以允许IA去通信意图,这是人-自主系统团队通信的关键挑战(Schaefer et al. 2017)。在人-自主系统团队中的通信也许也依赖于语言通信之外的其他方式。例如,研究表明,使用视觉、手势、触觉或触觉反馈,或者用其他的非语言听觉去开启双向通信,这些都有作用(Barber et al. 2015;Hill 2017;Elliott et al. 2016)。
通信理论和模型为理解人-自主系统团队的通信提供了重要的基础(参考Baker et al. 2019)。Shannon在1948年的信息理论模型提供了重要的基础工作,将信息从发出者到接收者的转化做了概念化的工作。在此基础上,Berlo在1960年强调了通信渠道的重要性。在1974年,Sacks et al.开创了一种将对话分解成一系列轮流进行的系统。Clark和Brennan在1991年,在一份将通信与认知紧密结合的里程碑式的手稿中,绘出了我们使用语言去建立相互理解的轮廓图。像这些展示历史性基础的开创性工作能够帮助人们更清晰地理解在人-自主系统团队中的通信,特别是作为解决关键性研究空白的通信评估方面。
2 人-自主团队的通信评估方法
由于交流评估有很多方法,所以权衡每一种评估的特点是很重要的,以便从给定的人-自主系统团队互动中引出最有用的数据。本节描述了评估人-自主系统团队通信的十一种方法。前四种方法基于团队交互的结构。之后两种方法从动力系统理论中提取,以考虑不同时间尺度的观点。在此之后,有两种方法利用团队成员的声音或面部表情的特征来检测情绪状态,这些情绪状态可以为团队的其他工作提供窗口。最后三种方法属于语言同步的范畴,提供了对团队通信内容的洞察。虽然这不是用于评估人自治团队通信的详尽方法列表,但它提供了许多方法来理解使用不同类型的输入数据的团队通信。
讨论每个通信评估方法包括以下四个方面:(1)方法的描述,(2)采用这种通信评估方法的方法,(3)应用程序或使用方法注意事项,和(4)在开发和应用这些方法到人自治团队的当前方向的描述。表1提供了本文中描述的每种方法的简要概述,并描述了每种方法最适合研究的数据或团队交互类型。在表1中,我们将通过描述基于团队通信结构的四种方法来开始讨论通信评估方法。这些方法主要依赖于理解信息是如何发送和接收的。
表1评估人-自主系统协作团队沟通的方法
方法:结构分析 | 描述 | 用于评估… | 输出 | 引文 |
聚合通信流 | 每一对发送方-接收方所占的通信比例 | 与明确的发送者和接收者的通信交互(例如,语音,聊天信息等) | 通信流图 | Fischer et al. (2007); Tiferes et al. (2016); Schaefer et al.2019a |
社会网络分析 | 一组参与者之间的结构联系 | 与明确的发送者和接收者的交互(例如,语音,聊天信息,或任何定向交互)。 | 连接度的描述性测量 | Wasserman and Faust(1994); Katz et al. (2004); Boghrati et al.(2018) |
关系事件模型 | 基于模型的动态网络分析方法 | 与明确的发送者和接收者的交互(例如,语音,聊天信息,或任何定向交互)。 | 模型系数 | Butts(2008); Leenders et al.(2016) |
预期信息 | 团队成员预见信息需求并先发制人地推送信息 | 与明确的发送者和接收者的交互(例如,语音,聊天信息,或任何定向交互)。 | 预期信息推送行为的频率 | Demir et al. (2019); Demir et al. (2017) |
方法:动态系统 | 描述 | 用于评估… | 输出 | 引文 |
团队认知的分布式动态方法 | 可定制的、整体的方法来评估团队的动态 | 随着时间的推移,多个成员和不同利益相关者之间的团队认知 | 跨阶段的团队通信网络模式 | Cooke(2015); Huang et al. (2020a) |
探索性的沟通分析 | 在动态模式中识别新颖交流的方法 | 与明确的发送者和接收者的交互(例如,语音,聊天信息,或任何定向交互)。 | 团队探索性沟通行为的可变性 | Gorman et al. (2019); Amazeen (2018); Demir et al.(2018) |
方法:情绪状态 | 描述 | 用于评估… | 输出 | 引文 |
面部表情分析 | 从面部特征检测情绪状态 | 面部表情和情绪影响 | 动作单元和相应的面部表情 | Neubauer et al.(2017); Ekman and Friesen (1978) |
基于神经网络的语音特征评估 | 基于声音特征识别情绪 | 声音、言语和情感 | 情绪状态分类 | Casale et al. (2008); Koolagudi and Rao(2012) |
方法:语言同步 | 描述 | 用于评估… | 输出 | 引文 |
语言风格匹配 | 会话中虚词使用的比例 | 两个或多个演讲者之间的对话(演讲或文本) | 词类使用频率的相似性 | Niederhoffer and Pennebaker (2002); Gonzales et al.(2010) |
潜在的语义相似度 | 基于与其他词的共现构造词义 | 两个或多个演讲者之间的对话(演讲或文本) | 语义空间中说话人话语的一致性 | Landauer and Dumais (1997); Foltz et al. (2003) |
会话级语法相似性度量(CASSIM) | 通过自动解析句子来分析句法结构 | 两个或多个演讲者之间的对话(演讲或文本) | 句法相似性的估计 | Boghrati et al.(2018); Boghrati and Dehghani (2018) |
2.1 结构分析
2.1.1 聚合通信流建模
团队通信模式为了解团队如何完成任务、实现目标和协调信息提供了一个窗口(Sacks et al. 1974;Kiekel et al. 2001;Tiferes et al. 2016)。通信流,也就是关于信息如何在团队中传递的度量,可以让一个人评估团队的协调行为(Fischer et al. 2007)。当聚合时,通信流可以可视化地表示,以揭示团队如何共享信息,这反过来可能与团队如何体验信任和团队凝聚力有关。这些见解对于人-自主系统协作团队的发展非常重要,因为它们将帮助我们理解通信如何影响智能系统、团队结构和任务需求,以及通信是如何被智能系统、团队结构和任务需求影响的。例如,Fischer et al.(2007)论证了成功团队和不成功团队在通信模式上的结构差异,结果表明,在搜救行动中,成功团队的通信分布更为均衡,而不成功团队则倾向于让少数团队成员主导话语。这一发现得到了Hung和Gatica-Perez(2010)的响应,他们发现具有高度凝聚力的小团队中,团队成员之间的讨论数量较为均衡,而只有一个人主导对话的团队则表现出很少的凝聚力。这表明发送者-接收者信息可以用来预测一个团队的凝聚力。研究将需要调查在何种程度上,这些通信联系可以与新的或完整的人-自主系统协作团队的凝聚力感知相关。此外,理解团队通信模式如何与给定场景或上下文中的绩效相关也很重要。这将进一步说明他们的通信如何影响凝聚力和信任,因为凝聚力和信任的某些方面都受到团队结果的影响。
总的来说,聚合地评估团队通信流有两个相关的优势。首先,根据通信形态的不同,它可以被客观地派生出来。例如,对于包含发送方、接收方和时间戳的事件日志,该数据(以及附带的聚合流型图)可以立即被收集并生成以供审查。第二,它很容易解释。随着时间的推移,聚合一个团队的通信流可以清楚地显示出每个发送方-接收方对所占的团队交互比例,提供了一个窗口来了解每个对(发送方-接收方)的相对重要性。
要为给定的团队生成聚合通信流模型,用户首先需要关于每个通信事件的发送方和接收方的信息,以及每个通信事件的时间戳。通信事件可以根据团队使用的通信方式和所需的分析细节级别来定义。这些特征的运作化取决于研究者和手头的研究问题。对于一项使用言语互动的研究,一个交流事件可以被定义为由单个说话人发出的一个不间断的短语,“发送者”被定义为说话人,“接收者”被定义为有意的听者,而“时间戳”则是说话人开始说话的时间。对于通过通讯软件进行的交互,定义这些术语的过程更容易,因为所需的数据通常可以自动导出。但是,需要注意的是,聊天消息可能要过一段时间才能读取,因此必须考虑使用什么作为时间戳。无论如何,所需的数据通常采用音频记录、音频转录或事件日志的形式,例如从即时消息应用程序导出的聊天日志。在准备好包含所有通信事件的发送方、接收方和时间戳的数据集之后,用户可以评估给定时间段内每个发送方-接收方的通信事件占比数量。然后,用户可以根据这些比例创建流型图;通过使用图形设计软件,用户去表示每个可能的发送者以及从每个可能的发送者到每个可能的接收者的线,线的宽度对应于每个发送者-接收者对所占的通信比例。一些研究正在努力实现流型图生成过程的自动化,并基于团队通信实时生成流型图(Baker et al. 2020a, b)。
这种方法可以应用于不同规模和组成的团队,只要在团队成员之间会发送和接收信息。发送和接收数据的团队成员将构成流型图,因此如果自主系统也在发送和接收通信,那么这种方法还可以解释自主系统队友。人-自主系统协作团队(如军事团队)可能面临的另一个挑战是使用开放的通信渠道,如对讲机系统,团队成员可以监控多个渠道,多个可能的接收者可以听到或听不到发送者的信息。这使得积极识别发送者通信的所有接收者更具挑战性。
图1 在人-自主系统协作僚机设计任务中,陆军和海军所展示的聚合通信模式
箭头从发送者开始指向接受者,这些图以三个机组成员角色和‘编队’为特征
表明通信事件不是针对特定的机组成员,较粗的线条表示交流的比例较大
该方法的一个用例涉及有人无人协同僚机组(Brewer et al. 2018),其由一个机器人武器化系统和一个包含若干机组人员的单人指挥控制型车辆组成。从一个僚机射击组收集数据集,识别出射击交战期间发送-接收对之间的明显差异(Baker et al. 2020a, b)。使用这种方法的结果显示,在执行任务时,机组人员显著限制了谁对谁说话的多样性。此外,士兵机组还演示了一种更简单、更严格的聚合通信模式,由更少的发送方-接收方对组成,而海军陆战队船员则表现出更松散的模式,其特征是更多的发送者-接收者对(图1)。对转录数据的审查表明,这些模式与团队使用通信的方式有关;士兵船员的通信更与任务相关和直接,而海军船员的通信更灵活,旨在确保所有船员保持对正在发生的事情的意识。来自射击事件的性能数据表明,士兵乘员在射击资格课程中得分较高,这表明这种人自主射击任务的最佳通信配置可能涉及限制特有发送方-接收方对的数量。
这种方法可能适用于团队凝聚力。因为聚合的通信流描述了每一对团队成员所占的团队通信比例,团队凝聚力可以根据团队成员在一段时间内的通信强度来确定(Hung and Gatica-Perez 2010)。例如可以使用聚合的通信流来确定团队成员与其他人隔离的时间段(通信不频繁),如果这种隔离不是由于特定的任务需求,可以实施干预,以避免对团队凝聚力的负面影响。
需要做更多的工作来提高生成发送方-接收方数据的过程的效率,特别是对于口头交互。自动转录软件很有前景,但最新的软件可能会在有多个扬声器、背景噪音或其他不理想因素的环境中挣扎(Krausman et al. 2019)。在检测和正确识别发送者(和接收者)方面的进一步发展将使这种方法更接近实时。从口头交流中实时生成发送者-接收者数据将允许在给定的时间内自动生成流程图,允许那些观察团队(例如,培训、测试和评估,或研究开发)的人看到团队是如何在复合水平上交流的。
通过设计,流程图可以快速生成并易于解释,因此在需要即时通信数据的情况下,聚合通信流是有价值的。其中一种应用是军事行动后评估,这是支持训练和提高人-自主系统写作团队未来行动的关键(Brewer et al. 2019)。然而,这种方法的优点带来了两个限制。首先,因为它是一个聚合测度,它不提供任何关于整个测量窗口中通信流变化的信息,而这些变化可以揭示稳定性、扰动或其他动态特性(Cooke and Gorman 2009)。其次,聚合的通信流不依赖于更深层次的统计分析,因此所提供的见解在范围上是有限的。因此,其他的交流评估方法通过涉及额外的度量来扩展这一点,以绘制团队内信息交换的更清晰的画面。社交网络分析(2.1.2)采用了与聚合交流流相同的数据,并应用了诸如中心性等额外指标。在此之后,关系事件模型(2.1.3)使用类似的数据来识别特定的结构和时间偏差,以确定随着时间的推移,通信的顺序。然后,我们讨论预期信息推送(2.1.4),它也使用类似的数据来理解在团队中先发制人地发送信息是如何与他们的信任和绩效相关的。
2.1.2 社会网络分析
社会网络分析(SNA)是一种理解网络中行动者之间关系的方法。它已被应用于广泛的领域,包括社会学、数学和流行病学,并已被用于分析团队绩效(Balkundi and Harrison 2006;Borgatti et al. 2009;Shaw 1964;Walker et al. 2006)。SNA提供了一组工具,这些工具可能有助于理解在人-自主系统协作团队中约束和促进信息流和协调的通信模式。特别有趣的是与中心性相关的一组测量方法(Freeman 1978;Katz et al. 2004)。中心性通常描述的是一个团队成员在一个网络中的连接程度。中心性的度量对于确定一个人自治团队的通信过程中一个参与者的重要性是有用的。例如,在团队的通信中,IA或人类队友是否具有较高的个人中心性,都可能对团队协调和绩效产生影响。人类在同时处理来自多个来源的通信的资源可能变得局限(Wickens 2008),而当通信量或任务复杂性较高时,高中心性可能会使他们面临心理过载的风险(Shaw 1964)。然而,人类整合环境和解释模糊信息的能力使他们有潜力在团队级别的决策任务和领导活动中扮演重要角色。IAs可能不像人类那样受到信息处理速度和可用渠道的限制,而是在模糊或未预料到的情况下表现出脆弱性(Endsley 2017),可能不太适合在可能表现不佳的任务中扮演高度中心的角色。然而IA可能非常适合于任务简单且需要数据处理能力的高度中心角色(例如,接收和编译包含资源数量或队友位置的消息)。
除了描述人的自主性团队通信和协调,SNA可能对研究团队的其他方面有用,如凝聚力和信任。SNA可以揭示团队成员之间实际关系的各个方面,与组织结构所正式描述的不同。例如,研究网络中行动者的中心性可能会发现,团队领导者在关键时期接受了过量的通信,这意味着需要将更多的主动性推给下属领导者。对通信的方向和定性内容的检查也可以揭示通信的不平衡或瓶颈,例如一个IA接收了大量的信息却很少将其传递给其他队友,或者一次信任崩溃之后通信网络的变化。此外,SNA并不局限于分析显性通信,而是与传统的基于调查的方法相结合,用来衡量信任、影响力和情感等其他关系品质的主观评价 。这可用于生成其他类型的网络,如信任网络和队友亲和网络(Borgatti et al. 2018)。这样的网络可以提供对网络内的信任或凝聚力度量(特别是在单个节点之间)的额外了解。
一个社交网络由一组参与者(“节点”)和关系(“链接”)组成(Wasserman and Faust 1994)。链接可以是有向的或无向的,可以被赋值和其他属性(Barrat et al. 2004)。应该为考虑中的团队通信数据集显式定义网络中的实体。例如,节点可以代表团队成员,链接可以代表agent之间根据传输数量加权的明确的方向通信(如Barth et al. 2015)。一旦定义了网络实体,就可以分析团队交互。捕获的数据至少应该包括消息发送者和接收者,但是也应该谨慎地捕获其他方面,如消息长度、内容和消息时间。通信可以通过语音记录软件、文本聊天系统捕获,或者在某些情况下,可以通过观察或问卷得出估计,因此这种方法可以适应IA可能使用的各种通信模式。其他元素,如通信媒介,对于分析团队中的多模态通信也很有用。一旦团队交流被记录并格式化,度量就可以被计算用于表征团队社交网络的特征。如果没有这种高分辨率的通信数据,那么对队友之间互动的调查可以帮助我们深入了解团队内部的关系结构。这样的调查方法失去了嵌入在互动时间中的丰富性(例如,随着时间的推移,能够重建网络的多个快照),并且容易在被调查者回忆中产生认知偏差(Krackhardt 2014)。社交网络软件的例子包括UCINET (Borgatt et al. 2002)、statnet (Handcock et al. 2008)和igraph (Csardi and Nepusz 2006)。SNA指标可以是个体行动者层面的,也可以是全球网络层面的,可以是单个时间跨度的总和,也可以划分为多个片段用于时间上的比较(Borgatti et al. 2018)。这些分别的度量可以提供关于“网络的节点级、图级或动态特性如何促进团队信任和凝聚力”的深入了解。
SNA可以应用于从小到大的各种规模的团队。研究的一个关键领域是中央各种社会网络分析措施与个人或群体结果之间的关系。在高度集中的团队通信中,一个或几个参与者比团队的其他成员参与更多的通信。检查诸如团队通信集中化这样的网络级措施可以提供通信结构的团队级视图。一些关于全人团队中团队集中化关系的研究表明,较少的集中化结构可能促进相互依赖、协调、快速信息共享,并提高复杂任务的绩效(Barth et al. 2015;Brown and Miller 2000;Shaw1964),但其他研究表明,获得资源的高中心化参与者也可能提高绩效(例如,关系良好的领导者;Sparrowe et al. 2001)。其他研究表明,高度集中的通信可能会导致通信瓶颈从而导致团队成员之间信息传递的错误和延迟并导致协调不足(Roberts et al. 2019)。
通信瓶颈可能在理解团队工作负载方面发挥重要作用,这是团队层面上出现的任务需求、团队能力和任务绩效之间的概念关系(Funke et al. 2012)。例如,通信瓶颈可能导致较差的任务重新分配和工作负载分配。然而,表现出更分散结构和高网络密度的团队通信可能会将信息处理需求分散到整个团队,从而提高团队的整体工作负载能力,但会以顶层通信的形式增加个人工作负载(MacMillan et al. 2004)。不同的通信网络特征似乎与团队在不同需求水平下完成特定任务的方式有关。例如,一项关于指挥和控制模拟的研究发现,集中的分层团队和分散的点对点团队都采用类似于“小世界网络”结构的通信模式——在本地和全球连接之间保持平衡(当给予这样做的自由时)。这种调整允许行动者之间的短距离协调(例如,获取信息和资源),而不需要完全连接网络的协调成本(Watts and Strogatz 1998;Stanton et al. 2012)。然而,团队如果不能形成适应的通信结构来响应不断变化的任务,那么在工作负载高峰时可能表现不佳。因此,研究跨特定事件聚合的团队通信网络结构可能有助于描述他们如何调整其通信。SNA还与其他人为因素方法结合使用,以理解社会技术系统中的其他团队和系统层面的现象,如分布式认知(Plant and Stanton 2016)和分布式态势感知(Stanton et al. 2006)。然而,SNA方法还没有被完全接受用来检查人-自主系统协作团队中的通信。
SNA在许多领域都是一种公认的方法。然而,尚不清楚人类团队的哪些发现会延续到人-自主系统协作团队中。在不同的环境中检查人-自主系统的通信将提供关于SNA有用性和普遍性的洞察力。需要做更多的工作来了解SNA衡量是否与人-自主系统的团队协作有关,比如信任和凝聚力。一个关键的考虑点是如何对待在团队网络中与人相关的IA的独特品质。例如,在人际关系中,信任是双向的(Grossman and Feitosa 2018)。在人-自主系统协作团队中,人的队友当然可以信任IA(de Visser et al. 2019)。然而,信任不会从IA回报给人,这可能会影响SNA度量的收集或计算方式。对于基于通信的数据也应作出类似的考虑。
2.1.3 关系事件模型
虽然SNA一直关注于时间聚合网络的描述性度量,但关系事件模型为分析动态网络提供了一种基于模型的方法。一个网络的静态表示说明了在一个可观察的人口内的一组关系的结构;然而,许多不同类型的交互构成了这些关系的基础。交互数据的聚合掩盖了种群内时间顺序信息、边缘权重和执行者集合的变化(Quintane et al. 2014)。通过将网络表示为一个离散的、定向交互的时间戳系列,称为关系事件,关系事件模型保留了网络中这些交互动态的丰富性(Butts 2008)。这与网络的静态、时间聚合表示模型形成了对比。因为更高阶的群体结构,如信任和团队凝聚力,是互动动态的一个功能(Marks et al. 2001;Schecter 2017),关系事件模型可以很好地为这种状态的出现和演变提供洞见(Leenders et al. 2016)。
关系事件术语指的是一组离散的行为,其中一个实体将一个社会行动导向另一个实体或一组实体。这关系事件框架可以表示成a =(i, j, k, t),a代表一个离散事件(例如一个交互), i是该事件的发送方,j是事件的接收者,k是事件的类型(可以考虑不同类型的交互,比如面对面的交流、电话、电子邮件等),t是事件发生的时间。虽然a表示单个事件,但过去用At表示一系列相关事件。关系事件模型的目标是为事件序列At建模。关系事件模型的结果表明,交互率是发送方和/或接收方属性、最近的通信活动和网络的结构特征的函数。
与关系事件模型兼容的数据在结构上很简单:这种方法只需要发送方和接收方数据的日志。如果确切的时间戳数据不可用,则可以按顺序对交互进行建模。关系事件模型在传统事件历史模型框架的基础上,假定了事件At历史的联合可能性;联合可能性是每个离散的关系事件a的可能性的乘积。At中第i个事件的条件可能性等于关系事件ai的风险(以下术语在分析子字段中使用,“风险”指的是给定事件在单位时间内发生的可能性)。这种风险依赖于一组指定的足够的统计信息,这些信息可能包括发送方属性、接收方属性、网络统计信息(包括中心化程度、三元闭合)和可能与给定事件相关的过去事件(例如,立即回应一个交流行为或个人的倾向而不断发送信息给同一伙伴)。该模型最终表明了关系事件历史(即观察到的交互序列)如何偏向或反对特定类型的交互。
有几个选项可以将紧急状态(如信任或内聚)与关系事件模型结果相关联。通过使用自我报告的状态作为个体属性,该模型可以直接用于调查这些状态是如何塑造个体发送或接收交互的倾向的(例如,报告较高信任的人可能以更高的速率发送消息,或者个人对群体信任评级的差异可能与他们之间交换的信息较少有关)。通过测量三元闭合率,该模型还允许我们评估结构内聚交互的比率。最后,可以使用关系事件模型系数来推断组级别的信任度量。在后一种方法中,我们可以度量团队中的突发状态,并在每个团队的通信上应用相同的关系事件模型。通过将这些模型系数与团队级状态联系起来,可以确定互动动态和团队状态之间的联系(Pilny et al. 2014)。因为团队状态是作为交互作用产生和发展的,所以使用这些交互作用的特征来推断团队状态具有很好的潜力(Leenders et al. 2016)。
与许多新颖的统计方法一样,关系事件模型的流行程度在一定程度上取决于与模型兼容的数据的兼容性。虽然社会网络分析已经存在了近一个世纪(Moreno and Jennings 1938),但动态模型是最近才发展起来的。因此,20世纪收集的大多数社交网络数据反映了该领域当时有限的方法论能力。与过去十年中以关系事件格式明确收集的社交网络数据相一致,由于手机记录、电子邮件记录、在线互动和其他电子通信的电子存储的激增,近年来类似的行为日志显著增长(Leenders et al. 2016)。学者们使用关系事件模型分析了灾害响应过程中的无线电通信网络(Butts 2008)、民族国家之间的合作和敌对行动(Brandes et al. 2009)、实验室环境下小团队进行合作游戏(Leenders et al. 2016;Pilny et al. 2016;Schecter and Contractor 2016),北约演习期间的团队内部互动(Schecter 2017),大学生之间超过6个月的互动(Pilny et al. 2017),以及个人贡献和开源软件代码库中的错误修复(Quintane et al. 2014)。最近关于在一系列训练演习中使用自动驾驶汽车的人-人团队的工作展示了关系事件建模如何提供对军事背景下团队行为的洞察(Baker et al. 2020a, b)。本文使用了一系列射击演习的文字记录数据,以突出团队之间的信息传递模式的区别。此外,它还展示了在空弹演习和实弹演习中集中化模式是如何分化的。随着自主系统越来越多地融入到这些军事团队中,关系事件模型将帮助我们理解自主系统的引入是如何塑造团队通信动态的。尽管关系事件建模对于理解团队互动动态很有价值,但更广泛的人自主系统团队互动数据将帮助我们确定我们对人-人团队动态的理解将在多大程度上转化为人自主系统团队动态。在数据中,自主系统与人类直接自然地交流将是理想的(Demir et al. 2020),尽管更简单的互动(例如,IA向队友发送警报)也可能提供有用的见解。将这些交互数据与高分辨率状态动态相结合将有助于我们继续理解交互动态如何影响团队状态动态。
2.1.4 预期信息推送
我们现在从考虑交互的时间和顺序的方法过渡到考虑跨关系流的方法。这种方法将团队成员的预期信息推送(AIP)视为理解团队信任的一种手段,从而保持对团队成员如何发送和接收信息的关注。在这种情况下,信息推送涉及在请求后向队友提供信息,而预期信息推送具体来说不涉及明确请求。因此,AIP是一种先发制人的行为,团队成员预测到另一个队友的信息需求,并在要求之前向该队友提供他需要的必要信息。这是为了能够“将正确的信息在短时间内传递给正确的人,以克服意外的障碍”(Demir et al. 2019;第146页)。透明度研究中发现了相关的概念,该研究发现,IA可以通过向人们提供关于IA的目标、计划和决策的信息来提高团队信任、表现和情况意识。(Lakhmani et al. 2016;Stowers et al. 2016;Chen et al. 2018)。对AIP来说,如果信息是先发制人的,它可能会导致队友之间更高水平的信任,尤其是在军事环境中,因为团队通信的质量意味着生死之别。此外,由于传统的信任评估方法主要是静态方法(例如,在任务之前或之后的问卷调查,或中断一个任务),也许可以使用AIP表现作为团队信任的不引人注目的持续指数。
在无人机(UAV)综合任务环境中测量了人-自主系统团队的信息推送(Cooke and Shope 2004;Cooke et al. 2013;McNeese et al. 2018;Johnson et al. 2020a, b)。这种无人机任务环境包括三名队员,他们具有异构和相互依赖的角色(飞行员、摄影师和导航员),在常规和退化条件下执行空中侦察任务。为了表现出色,团队必须通过文字聊天彼此交流,并在拍摄目标照片的同时,安全地驾驶他们的模拟无人机沿着一系列航路点飞行。对这种任务环境中的通信进行分析表明,推送信息与更好的绩效和团队态势意识有关(Demir et al. 2017)。然而,与全人类团队相比,由IA作为试点的团队不能有效地推动信息,这表明内部监督在有效预测团队成员信息需求方面存在弱点(McNeese et al. 2018)。这种分析通信的方法可以通过特别关注AIP而不是一般的信息推送来获得进一步的保真度。通过检查队友是否在没有其他队友提示的情况下将信息推送给另一个队友,可以为AIP编写基于文本的通信数据。然后,可以将团队中信息推送的频率(例如,从IA到人,或者从任何团队成员到任何其他团队成员)与团队成员如何自我报告他们对彼此的信任进行比较,这可以通过标准的回归分析程序来完成。将这种方法应用于给定的人-自主系统团队,可以确定更高频率的AIP从人造队友到人类队友是否与更高水平的报告信任相关(Huang et al. 2020a, b, c)。
这种方法还可以用于置于背景中或理解团队表现。过去的研究表明,AIP水平越高的团队整体表现越好。Weber和Aha(2003)进行的一项研究表明,在军事环境中,在计划编写阶段及时获得信息的团队总体上计划执行得更好。Campion和他的同事(2012)研究了在卫生信息交换的背景下,与仅依赖信息拉动方法的现有卫生保健系统相比,信息推动如何为医生带来更好的整体体验。在一项以军事为背景的研究中,Entin和Serfaty(1999)发现,在高压力环境下接受改变协调行为训练的团队表现更好,从下属到领导者的AIP增加,以及对队友信息需求的更好预期。从表面上看,这种方法可以应用于任何类型的人-自主系统团队,这些团队利用的通信方式可以用于AIP。为了使这种方法的结果有效,需要在报告的团队信任水平上有一些变化,以确定AIP表现如何在相应的信任波动的背景下波动。否则,有限的变化可能导致错误的数据分析。从以前进行的研究中得到的另一个教训是,在人-自治系统的团队中,信息的推送可能比在人-人团队中要少(Demir et al. 2017)。因此,未来的研究需要阐明,人-自主系统团队中较低水平的AIP与较高水平的AIP如何导致人类队友对自主团队的信任水平的差异。这种方法也存在一些局限性,因为(a)能够与人类队友通信(b)能够取代人类队友并完成被取代的人类队友所负责的所有事情的自主代理并不多。因此,衡量对自主队友的信任,并将这种信任与AIP发生的程度联系起来,目前仅限于涉及具有足够智能的自主代理的设置。此外,交流并不总是用语言(听/说或视觉/文字聊天交流)。有时它是象征性的,比如屏幕上的图标,所以识别自主系统何时使用符号通信进行AIP可能很困难。然而,明显我们需要更多的研究来了解自主系统如何和何时参与AIP,以及自主系统的角色如何决定最佳AIP行为。之前的研究(Cooke and Shope 2004;Cooke and Gorman 2009;Cooke et al. 2012)已经为团队设置中的实际自主系统需要如何与人类队友通信,以使团队成为一个有效的团队奠定了基础。例如,如前所述,自主系统必须能够识别人类队友的需求,并根据这些预期需求在适当的时间内给他们提供信息(Demir et al. 2017)。利用不同通信模式的研究设计将与这个领域联系特别紧密,随着IA变得更加先进,能够参与预期信息推送(AIP),这种方法将变得更加有用。