Premiers intervenants, personnel de secours en cas de catastrophe, et les militaires dépendent de leurs coéquipiers pour réussir leur mission; cependant, les coûts élevés de la collecte de données ont rendu difficile la compréhension de la dynamique d'équipe. Des travaux récents de chercheurs du Rensselaer Polytechnic Institute montrent comment les données des jeux en ligne peuvent aider à fournir des informations significatives.

En utilisant les données de League of Legends, l'un des jeux de rôle en ligne les plus populaires au monde, les chercheurs ont utilisé des techniques de mégadonnées pour développer des modèles qui révèlent comment l'appartenance à l'équipe, historique de travail, et d'autres facteurs affectent les résultats de performance.

Ces découvertes, qui ont été récemment publiés dans Actes de la réunion annuelle de la Human Factors and Ergonomics Society , ont des implications larges et critiques. Les données—sur des centaines de milliers de matchs joués par environ 100, 000 équipes—a permis aux chercheurs de construire et de tester des modèles statistiques avancés et d'explorer des défis méthodologiques complexes dans l'étude du travail d'équipe.

Leurs recherches sur League of Legends visent à déterminer la meilleure façon de mesurer et de surveiller les membres individuels de l'équipe afin d'améliorer les performances et l'apprentissage au fil du temps, en particulier lorsqu'il s'agit de situations plus critiques.

« Notre approche nous permet de poser des questions extrêmement difficiles à poser dans des environnements « vivants » tels que le combat militaire, " a déclaré David Mendonca, un professeur agrégé d'ingénierie industrielle et des systèmes à Rensselaer qui est l'un des chercheurs principaux du projet. "Les données sur le travail d'équipe à cette portée et à cette échelle ne sont tout simplement pas facilement disponibles."

Avec les données de League of Legends, minutieusement compilé à partir de sources accessibles au public, les chercheurs ont pu tester leur instrumentation et concevoir leurs études de manière à améliorer la collecte de données dans un contexte à enjeux élevés.

Typiquement, Mendonca a dit, il est difficile d'effectuer ce type d'études en équipe car un grand nombre de sujets de recherche sont nécessaires pour obtenir suffisamment de données. Les membres de l'équipe aussi, idéalement, doivent avoir déjà travaillé ensemble pour que les chercheurs puissent explorer leur comportement au fil du temps. L'ensemble de données League of Legends contient des milliers d'exemples d'équipes dont les membres ont joué des centaines de matchs ensemble.

"Nous essayons de comprendre les processus d'apprentissage et d'adaptation, notamment lorsque les équipes sont soumises à des événements imprévus ou inhabituels, comme la perte de membres de l'équipe, " dit Mendonca.

Cet article récent s'appuie sur des recherches antérieures menées par Mendonca et Wayne Gray, professeur de sciences cognitives à Rensselaer, ainsi que Joshua Eaton, doctorant en ingénierie industrielle et des systèmes à Rensselaer. Ils ont précédemment découvert qu'il existe des postes critiques au sein d'une équipe qui peuvent affecter de manière significative les objectifs d'un groupe. Par exemple, lorsqu'un joueur occupant un poste critique est "à terre, " Les événements négatifs dans le jeu augmentent pour leur équipe.

Mendonca et Eaton ont également constaté que, si les membres de l'équipe connaissent leur poste, cela peut affecter positivement l'efficacité d'une équipe. Ce que cette recherche a permis, c'est le développement de métriques qui permettront à Mendonca et son équipe d'essayer de répondre à l'une de leurs conduites, et complexe, questions :quel est l'effet du turn-over et comment peuvent-ils le mesurer ?

L'Office of Naval Research soutient ce travail par une subvention, pour lequel Gray est le chercheur principal. Il caractérise l'effort global comme une tentative de trouver le « je » dans « l'équipe ».

« Peut-on trouver l'apport de l'individu dans une équipe ? dit Gray, dont le travail sur la performance dans les jeux solo, comme Tetris, a conduit à des découvertes révolutionnaires sur l'apprentissage par des experts.

Finalement, ce travail est fortement axé sur la découverte des métriques les plus significatives à mesurer et sur la manière de collecter des informations qui s'avéreront utiles dans une étude ultérieure. Avec ces résultats en main, Mendonca a dit, des recherches ultérieures devraient explorer le calendrier de réaffectation des effectifs dans les organisations militaires et autres afin de soutenir la performance.