Predicting Teamwork Performance in Collaborative Project-Based Learning
Notice bibliographique
Résumé
Pulse of the Profession, published by Project Management Institutes (2017), reported that failed projects always lacked (a) clearly defined objectives to measure progress and (b) poor communication between team members. Minimizing communication costs and maximizing trust levels are essential to improve the efficiency of team performance. This study’s objectives required including how to formulate the problem and design the theoretical framework. The approach used involved a five-step team formation model with related definitions, including initial team forming, depending on group size, team agreement, role assignment, and team performance. The Predicting Teamwork Performance (PTPA) system was developed to help identify the functional roles of each member automatically. Role assignment provided a strong positive effect on team projects, while the role identification mechanism can assign team members responsibilities for some role(s) to enable learning. Self-assessment was used to identify team members’ strengths and weaknesses so that team leaders could easily recognize suitable types of roles for each member. Three primary team performance indicators—”Good”, “Pass” and “Marginal”—were reflected in the teamwork collaboration outcomes. The Predicting Teamwork Performance system reveals information about those outcomes through 1) individual performance indicator; 2) teamwork performance indicator; 3) personal skill sets results; 4) recommended skill sets improvements. The relationship between those indicators and practical roles was examined as analytical information for further project team formation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».