超越团队构成:多样性在计算机介导的合作中预测有价值的成果
作者
协作学习与同伴教学计算方法在HCI中的应用大学教授与研究人员HCI 研究员
在一个日益全球化和服务导向的经济中,人们需要与多样化的团队通过计算机介导的协作解决问题(CPS)。然而,团队通常未能达到预期,这表明需要有助于培养有效协作技能的技术。我们通过研究团队多样性的不同维度(人口统计学、个性、对团队合作的态度、先前领域的经验)如何预测客观(如有效的解决方案)和主观(如积极的认知)协作结果,朝着这个方向迈出了一步。我们从96个三人小组中收集了数据,这些小组通过视频会议进行了30分钟的CPS任务。我们发现,人口统计学多样性以及对团队合作的不同态度预测了积极参与的印象,而个性多样性预测了学习结果。重要的是,在考虑团队构成后,这些关系仍然存在。没有多样性措施可以预测任务表现。我们讨论了我们的发现如何被整合到旨在帮助多样化团队发展CPS技能的技术中。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 75%
设计交互式支架以促进对同伴反馈的反思
DIS '20· 协作学习与同伴教学
- 60%
计算交互:理论与实践
CHI '18· 编程教育与计算思维 +1
- 60%
建立实践社区以支持全球人机交互教育
CHI '18· 编程教育与计算思维 +1
- 60%
搭建桥梁:将两个HCI社区联合起来
CHI '18· 用户研究方法(访谈、调查、观察) +1
- 60%
不要忘记保持真实的自己:如何建立一个有意义且可持续的研究身份
CHI '18· 用户研究方法(访谈、调查、观察) +1
- 60%
开胃酒:构建预注册以自动生成分析代码和方法描述
CHI '22· 计算方法在HCI中的应用 +1
- 60%
走出象牙塔:对人机交互研究的大量专利引用分析
CHI '23· 计算方法在HCI中的应用 +1
- 60%
制定或固化:示例对问题解决的影响因示例呈现界面设计的不同而变化
CHI '24· 原型设计与用户测试 +1
- 60%
对大型语言模型在学术文献理解和评审方面的评估:一项针对初级学者的实证研究
CHI '24· 大语言模型(LLM)的人机协作 +1
- 60%
使用因果模型在人机交互中进行理论化
CHI '25· 可解释人工智能(XAI) +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3313831.3376279
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2020
emoji_events
奖项
未标记奖项
group
作者
4 位作者
sell
研究子方向
协作学习与同伴教学、计算方法在HCI中的应用
work
职业/产业
大学教授与研究人员、HCI 研究员
article
内容状态
仅摘要
hub
相关论文
10 篇相关论文