Team Dynamics and Collaborative Problem-Solving for Lunar Construction: Lessons From Complex Construction Scenarios on Earth
Notice bibliographique
Résumé
OBJECTIVE: This paper surveys the existing literature surrounding problem-solving and team dynamics in complex and unpredictable scenarios, and evaluates the applicability of studying Earth-based construction teams to identify training needs for Lunar construction crews. BACKGROUND: Lunar and other space exploration construction crews will work in extreme environments and face unpredictable challenges, necessitating real-time problem-solving to address unexpected contingencies. This work will require coordination with Mission Control and autonomous assistants, so crew training must account for multi-agent, distributed teamwork. METHOD: A narrative literature review identified processes, attributes, and skills necessary for the success of Lunar construction teams. We summarized relevant frameworks and synthesized collective findings into over-arching trends and remaining research gaps. RESULTS: While significant literature exists surrounding team performance, very little systematic inquiry has been done with a focus on Lunar construction crews and operations, particularly with respect to dynamic problem-solving and team-based decision-making. Established and standardized metrics for evaluating team performance are lacking, resulting in significant variation in reported outcomes between studies. CONCLUSION: Lunar and other space exploration construction teams will need training that focuses on developing the right approach to team-based problem-solving, rather than on preparing response execution for known contingencies. An investigation of successful Earth-based construction crews may facilitate the development of relevant metrics for training future Lunar construction crews. APPLICATION: Metrics and team training protocols developed for future Lunar construction teams may be adaptable and applicable to a wide range of extreme teams facing uncertain challenges, such as aircrews, surgical teams, first responders, and construction crews.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».