Enhancing Shared Understanding in Multidisciplinary Teams
Notice bibliographique
Résumé
Abstract Modern complex projects increasingly rely on multidisciplinary teams, where members from diverse disciplines collaborate to address intricate challenges. Achieving a shared understanding and alignment in such teams remains an obstacle. This study conducted by INCOSE Technical Leadership Institute (TLI) Cohort 9 explores the role of systems engineering in facilitating shared understanding within multidisciplinary teams. The research employed a mixed‐methods approach which included a literature review, interviewing industry and INCOSE leaders, and hosting interactive workshops. It identified five key challenges hindering shared understanding: communication breakdowns, organizational conflict, unconscious bias, microaggressions, and a lack of inclusive policies. To address these, the study proposed implementing strategies such as structured communication frameworks, early stakeholder involvement, bias awareness, and inclusive workplace policies. The findings highlight systems engineering as a bridge of effective collaboration, bridging gaps across disciplines and promoting alignment. While the study offers insight, it also identifies the need for application into real world environments, further research on metrics of shared understanding, validation techniques, and leveraging collaboration tools. This research advances the understanding of multidisciplinary teams and provides practical strategies for fostering collaboration and achieving shared goals in complex and global environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,002 | 0,024 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».