Victorious and Hierarchical, Defeated and Flat: When Team Hierarchies Change Following Success
Notice bibliographique
Résumé
Hierarchies emerge as collectives attempt to organize toward successful performance. Consequently, the relationship between team hierarchies and team performance has been widely explored. However, extant research has conceptualized hierarchies primarily as static entities, examining how a hierarchy at one point in time relates to team performance at a later point in time. This approach tends to neglect a fundamental reality about hierarchies: they change. In this paper, we develop a theory about the dynamic relationship between team hierarchies and performance by suggesting that performance also serves as an important input that actively shapes hierarchies. Drawing on the exploration and exploitation framework, we argue that successful (unsuccessful) performance triggers exploitation (or exploration) which leads to an increase (decrease) in the degree of a team’s hierarchy, an effect that is especially strong when the team already has a high degree of hierarchy. Utilizing recent advances in behavioral sensors as a proxy for team processes, we exploit fine-grained passing data from the National Basketball Association (NBA) to test our hypotheses. We observe how a team’s hierarchy changes on a game-by game basis based on prior performance. Winning is associated with an increase in hierarchy, and this relationship is stronger among teams already high in hierarchy. We then explore the full cycle of performance–hierarchy–performance by testing how hierarchy affects subsequent performance. We conclude by highlighting how our theory and findings extend prevailing discussions in the hierarchy literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».