Predicting group benefits in joint multiple object tracking
Notice bibliographique
Résumé
In everyday life, people often work together to accomplish a joint goal. Working together is often beneficial as it can result in a higher performance compared to working alone - a so-called "group benefit". While several factors influencing group benefits have been investigated in a range of tasks, to date, they have not been examined collectively with an integrative statistical approach such as linear modeling. To address this gap in the literature, we investigated several factors that are highly relevant for group benefits (i.e., task feedback, information about the co-actor's actions, the similarity in the individual performances, and personality traits) and used these factors as predictors in a linear model to predict group benefits in a joint multiple object tracking (MOT) task. In the joint MOT task, pairs of participants jointly tracked the movements of target objects among distractor objects and, depending on the experiment, either received group performance feedback, individual performance feedback, information about the group member's performed actions, or a combination of these types of information. We found that predictors collectively account for half of the variance and make non-redundant contributions towards predicting group benefits, suggesting that they independently influence group benefits. The model also accurately predicts group benefits, suggesting that it could be used to anticipate group benefits for individuals that have not yet performed a joint task together. Given that the investigated factors are relevant for other joint tasks, our model provides a first step towards developing a more general model for predicting group benefits across several shared tasks.
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 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».